автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Информационно-измерительная система идентификации патологических структур по флюорограммам

На правах рукописи

КОЛЕНТЬЕВ Сергей Владимирович

ИНФОРМАЦИОННО ИЗМЕРИТЕЛЬНАЯ СИСТЕМА ИДЕНТИФИКАЦИИ ПАТОЛОГИЧЕСКИХ СТРУКТУР ПО ФЛЮОРОГРАММАМ

05.11Л6—Информационно-измерительные и управляющие системы (в технической отрасли)

Авт ореферат диссертации на соискание ученой степени кандидата технических наук

Саратов 2004

Работа выполнена в Саратовском государственном техническом университете

Научный руководитель:

кандидат технических наук, доцент Булдакова Татьяна Ивановна

Официальные оппоненты:

- доктор технических наук, профессор

Сивяков Борис Константинович

- кандидат технических наук, доцент Иващенко Владимир Андреевич

Ведущая организация:

НИИ биомедицинского приборостроения Московского государственного технического университета им. Н. Э. Баумана

Защита состоится: «_19 » ноября 2004 г. в 14-00 часов на

заседании диссертационного совета Д 212.242.08 при Саратовском государственном техническом университете по адресу:

410054, г. Саратов, ул. Политехническая, 77, Саратовский государственный технический университет, корп. 1, ауд. 319.

С диссертацией можно ознакомиться в научно-технической библиотеке Саратовского государственного технического университета.

Автореферат разослан <«/? » октября 2004г.

Ученый секретарь диссертационного совета

Терентьев А. А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. Диссертационная работа посвящена решению задачи идентификации патологических структур на рентгеновских цифровых снимках. Врачу-рентгенологу, как правило, приходится просматривать большое количество снимков, качество которых не всегда удовлетворительно, а размер сравнительно мал. Поэтому качественный анализ снимка представляет собой большое искусство и воплощает в себе умение распознавать даже самые малые изменения яркостей точек рентгеновского снимка, а также способность обнаруживать аномальные структуры, особенно при низком разрешении снимка. Это требует высокой квалификации и доступно немногим. Из-за особенностей субъективного зрительного восприятия значительно теряется информативность рентгеновского снимка. При массовых обследованиях, например с помощью флюорографии, эта работа весьма утомительна и может привести к ошибкам.

Широкое распространение компьютерной техники и информационных технологий создает условия для реализации автоматизированной обработки большого количества изображений. Примерами этого являются системы «Видеотест-размер» фирмы «ВидеоТест»; «X-iay Lab 30 X-ray Images Digital Processor компании Gilardoni; «Advanced image processor»; система «Скрининг-флюорография» центра медицинских информационных технологий «Медиал-МТ». Однако для повышения достоверности постановки диагноза по снимкам требуется реализация метода распознавания образов, которую существующие системы не содержат. В основе распознавания должно лежать сопоставление участков исследуемого изображения с шаблоном, а в качестве образов могут использоваться обработанные изображения патологических структур. Наиболее успешно задачу распознавания решают нейросетевые модели. Разработке методов и алгоритмов идентификации и классификации образов посвящены работы А.И. Галушкина, А.Н. Горбаня, Т. Кохонена, Ф. Уоссермена, Дж. Хопфилда. Однако по причине того, что отсутствует единая методология решения прикладных задач с помощью нейросетей, целесообразно применительно к каждой конкретной задаче выбирать не только их архитектуру, но и метод обучения нейронной сети.

При анализе и обработке цифровых флюорограмм наиболее информативной количественной структуры и иссле-

дования ее свойств является яркость точек рентгеновского снимка (В.В. Клюев, С. Уэбб и др.). Известно, что на яркость точек изображения влияет ряд факторов, например напряжение на рентгеновской трубке, габариты пациента и др. Это затрудняет постановку диагноза врачом. В связи с этим представляется целесообразным уменьшить влияние указанных факторов, а также перейти к оценке относительной яркости точек цифрового изображения. Кроме того, следует ввести дополнительные количественные характеристики патологических структур на флюорограммах.

Поэтому разработку методов и алгоритмов автоматизированной идентификации патологических структур, в частности методов, основанных на применении нейронных сетей, позволяющих ускорить процесс диагностики заболеваний, снижающих долю повторных исследований, создание электронного архива флюорограмм, можно считать актуальной задачей.

Целью диссертационной работы является разработка методов и алгоритмов автоматизированной идентификации патологических структур по флюорограммам. Для достижения данной цели были поставлены следующие задачи:

1. Разработать методику количественной оценки характеристик патологических структур.

2. Разработать методику идентификации паталогических структур по цифровым изображениям на основе нейросетевой технологии. Разработка архитектуры нейросетевой модели и алгоритмов ее обучения.

3. Разработать методику обработки и визуализации цифровых рентгеновских снимков.

4. Разработать информационно-измерительную систему автоматизированной идентификации патологических структур.

Объектом исследования являются методы и алгоритмы цифровой обработки и распознавания медицинских рентгеновских снимков.

Методы исследования. В основе исследования лежат нелинейные методы обработки цифровых изображений с помощью дискретного вейвлёт-преоб-разования и клеточных автоматов; методы нейросетевого распознавания образов и модели нейронных сетей радиальных базисных функций и персептронов; теория моделирования.

Научная новизна полученных результатов:

1. Разработана методика идентификации патологических структур на основе оценки их количественных характеристик (относительная яркость точек цифрового изображения, относительная площадь патологических структур, координаты местоположения структуры на флюорограмме), позволяющая реализовать автоматическое обнаружение патологий и упростить процедуру анализа большого количества снимков.

2. Разработана нейросетевая модель, имеющая гибридную архитектуру и позволяющая автоматизировать процесс идентификации патологических структур и повысить вероятность правильного распознавания.

3. Разработаны рабочие алгоритмы и программное обеспечение информационно-измерительной системы автоматизированной обработки рентгенограмм, позволяющей распознавать патологические структуры.

4. Показано, что разработанная методика идентификации структур применима к задачам медицинской, технической диагностики.

Практическая полезность полученных результатов.

Разработанные модели, алгоритмы и программы были использованы при разработке экспертных систем распознавания патологических структур на снимках. Разработанная система позволяет создать электронный архив флюоро-грамм и провести статистическую обработку материала. Информационно-измерительная система может использоваться для оцифровки и анализа рентгеновских снимков и идентификации патологических структур.

Разработанная методика идентификации структур может иметь более широкое применение. Она может также применяться в технической диагностике, к примеру, для распознавания брака в подшипниковых изделиях по данным сканирования объекта вихретоковым датчиком.

Разработанные в работе алгоритмы и модели внедрены в медицинскую практику на кафедре внутренних болезней и интернатуры Саратовского государственного медицинского университета, о чем имеется соответствующий акт.

На защиту выносятся:

1. Методика количественной оценки характеристик патологических структур на основе яркостей точек цифрового рентгеновского изображения.

2. Методика нейросетевой идентификации структур на цифровых снимках на основе их количественных характеристик.

3. Архитектура гибридной нейронной сети, основанной на архитектурах персептрона и сети радиальных базисных функций, для распознавания патологических структур на оцифрованном рентгеновском снимке.

4. Информационно-измерительная система распознавания патологических структур на оцифрованном рентгеновском снимке.

Связь работы с крупными научными программами и темами.

Диссертационная работа выполнена при финансовой поддержке Министерства образования РФ (Ползуновский грант 2003 года, шифр 24-1.15). Данная работа выполнялась в рамках НИР «Разработка теории идентификации сложных систем естественного происхождения». Проведенные исследования соответствуют пункту 1.3 Перечня критических технологий федерального значения. Решение заявленных проблем позволяет создать технологии двойного применения, соответствующие пункту В.4.4.2 Перечня двойных технологий федерального уровня. НИР проводилась по тематическому плану 2002 года Министерства образования РФ (номер госрегистрации 0120206110).

Апробация работы. Основные результаты работы докладывались на: 6-й и 8-й Всероссийских научно-технических конференциях «Состояние и перспективы измерений» (Москва, МГГУ им. Н. Э. Баумана, 1999,2002); Международных конференциях «Информационные технологии в образовании, технике и медицине» (Волгоград, ВолгГТУ, 2000, 2002); межвузовской научно-методической конференции «Информационные технологии в образовании» (Саратов, СГТУ, 2000); секции «Tissue Science, Structure & Diagnostics» Международной конференции «SPIE: E-Bi0S-2000» (Amsterdam, 2000); 4-й Международной конференции «Цифровая обработка сигналов и ее применение» DSPA-2002 (Москва, РНТОРЭС им. А С. Попова, 2002); Международной конференции «SFM: Workshop on Optical Technologies in Biophysics & Medicine IV» (Саратов, 2002); 6-й Всероссийской конференции «Студенты и аспиранты - малому наукоемкому бизнесу» (Ярославль, 2003).

Программные продукты, разработанные в рамках диссертационной работы, были представлены на Международной выставке-ярмарке научно-исследовательских работ и инновационной деятельности студентов, аспирантов и молодых ученых вузов Российской Федерации (Новочеркасск, НТИ (ЮРГТУ), 2003) и 9-й Международной выставке молодежных научно-технических проектов «ЭКСПО - Наука 2003» (Москва, ВВЦ, 2003).

Программный продукт под названием «Анализ и обработка цифровых рентгеновских снимков», разработанный в рамках данной диссертационной работы, официально зарегистрирован Российским агентством по патентам и товарным знакам (Свидетельство №2003611777 от 24 июля 2003 г.).

Личный вклад соискателя. Автором разработаны представленные в диссертации математические модели, алгоритмы и программы.

Публикации результатов. По теме диссертации опубликовано 17 научных работ, в том числе 6 статей в научных журналах, 6 статей в сборниках научных трудов и 5 докладов в трудах международных конференций. Общий объём опубликованных материалов - 4,25 п.л.

Структура и объем диссертации.

Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы и приложения. Общий объем диссертации составляет 135 страниц. Диссертация содержит 55 рисунков. Список литературы включает 93 наименования.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении дана общая характеристика работы, обоснована актуальность исследований, научная новизна и практическая значимость. Здесь же сформулированы цель и задачи диссертационной работы.

В первой главе производится обзор основных подходов к формированию классификационных признаков и распознаванию элементов рентгеновских изображений. Показано, что общим недостатком вышеупомянутых методов идентификации является то, что каждый из подходов к распознаванию опирается на косвенную информацию, что может привести к ложным распознаваниям.

Были сформулированы следующие задачи, требующие решения: анализ моделей переноса рентгеновского излучения в среде с учетом особенностей формирования рентгеновского изображения; разработка методики оценки количественных характеристик патологических структур на основе яркостей точек цифрового изображения; выбор набора признаков для распознавания пата-логических структур по снимкам; разработка методики автоматизированной идентификации образов по цифровому изображению и её реализация в виде программного комплекса.

Вторая глава посвящена разработке методики обработки цифровых рентгеновских снимков, количественной оценке характеристик патологических структур на основе яркостей точек цифрового изображения.

Для удаления с оцифрованного снимка помех был разработан алгоритм фильтрации, основанный на частотно-временной дискретной вейвлет-обработке цифрового изображения. Применительно к поставленной задаче алгоритм состоит из следующих шагов:

1. Выполнение двух шагов итеративного прямого дискретного вейвлет-преобразования изображения с использованием фильтров КДобеши (Баи-ЬесЫев I.) с шестью коэффициентами. На каждом шаге производится разложение ЬЬ-низкочастотной компоненты спектра изображения.

2. Умножение коэффициентов высокочастотных (ЬН1, НЬ1, НН1, ЬН2, НЬ2, НН2) составляющих снимка на ноль, что приводит к удалению информации о нежелательных «шумовых» составляющих из частотно -пространственного спектра снимка.

3. Выполнение двух шагов итеративного обратного дискретного вейвлет-преобразования изображения (восстановление изображения) по измененным коэффициентам частотно-пространственного спектра. В качестве фильтров применяются фильтры, обратные тем, что использовались при анализе на первом шаге алгоритма.

Для выделения на снимке контуров изображения был разработан алгоритм, основанный на применении клеточных автоматов с итеративным приближением к желаемому результату для каждой точки изображения Б(х, у):

1. Вычисляется среднее значение яркостей п точек, попавших в квадратную область со стороной, равной 2Я + 1 точек, исключая обрабатываемую точку:

2. Рассчитывается разница М)= Обе. V) —М.

3. Для повышения контрастности изображения текущее значение яркости обрабатываемой точки Б(х, у) повышается на величину ДО.

4. Производится следующая итерация, начиная с первого шага, до тех пор, пока изображение не станет бинарным.

В качестве количественных характеристик были выбраны: относительная яркость точек, относительная площадь образования на снимке и координаты его местоположения на снимке.

В случае сопоставления нескольких снимков, сделанных на разном оборудовании или при разных режимах работы оборудования, приходится производить нормализацию для всех снимков. Для более адекватного сопоставления яркостей точек изображения необходимо вычислить яркость точек выделенного на изображении участка ткани по отношению к яркости точек, соответствующих определенному типу ткани. Например, в качестве опорной точки при анализе флюорограмм целесообразно выбирать изображение одного из позвонков. Поэтому одной из количественных характеристик будет являться относительная яркость точек на цифровом изображении. Таким образом, общий алгоритм оценки яркости по рентгеновскому снимку будет иметь вид:

1. Определение «опорной» яркости, соответствующей рентгенографической

плотности

2. Обработка исходного нечеткого снимка с повышением контрастности для улучшения видимости отдельных его элементов. Определение рентгенографической плотности производится по исходному неизмененному снимку.

3. Выделение видимых контуров на обработанном снимке.

4. Выбор точки исходного снимка, яркость которой нас интересует (рис. 1, точка Б).

5. Вычисление отношения локальной суммарной плотности в выбранной точке к опорной яркости (рис. 1, точка А). Вычисление производится на основе яркостей точек необработанного снимка.

6. Выводы о природе объекта, содержащего точку.

Дополнительную информацию о патологических структурах несут «изолинии» исследуемых участков изображения. Дело в том, что для очагов воспаления и опухолей эти линии ограничены в размерах, а для таких элементов снимка, как ребра и позвоночник - сравнительно более протяженны.

Кроме того, для выявления патологических структур рассчитывается относительная площадь объекта и его местоположение на флюорограмме.

_Сачииит* |

Платность г» МАХ [

Зж*ч«кие "опвеной" гиотаосги в процента* от шшпмшгак зшче нЦЯ&ЭЮ В Зждеекхешмптцькой

Уровень контрастности иаобраяеи^». О

I::::::::::::::

Нязхнй Высокий Прорисовать

Глав вое мсоо

Рис. 1. Измерение относительной яркости точек цифрового рентгеновского изображения

В третьей главе рассматривается задача нейросетевой идентификации, для решения которой потребовалось разработать архитектуру нейросети и алгоритм ее обучения образам патологических структур. В качестве признаковых описаний патологических структур были рассмотрены яркостные, текстурные, геометрические и другие признаки, а также гистограммы распределений яркости и спектры пространственных частот, локальные геометрические признаки в виде характерных примитивов - угловых элементов контура изображения объекта, и геометрические признаки, описывающие глобальные свойства формы объекта.

Был выбран следующий набор признаков: растровые изображения участков снимка, координаты исследуемого участка снимка, средняя толщина грудной клетки пациента (в десятках сантиметров); пол пациента. Для обучения сети использовались растровые изображения шаблонов искомых патологий (изображения 8 бит на пиксель, 80 х 80 точек) и их изолинии (рис. 2).

(Р) (С) (Т) (У) (Ф)

Рис. 2. Изображения двух типичных теней туберкулеза на рентгеновском снимке: «очаги» (А и Б), «фокус» (В), «каверны» (Г, Д). Во втором ряду изображены «изолинии» соответствующих патологий (Е-К). В третьем ряду изображены шаблоны поиска соответствующих патологий (Л-П). В нижнем ряду изолинии шаблонов поиска (Р-Ф)

Для распознавания образов по выбранному набору признаков был проведен анализ различных нейросетевых архитектур и разработана модель нейронной сети (рис. 3).

Первый слой представляет собой элемент сети радиальных базисных функций (КБК№). Каждый из нейронов первого слоя несет информацию о том или ином кластере обучающей выборки. Цель этого слоя - выявить степень близости входного образа к каждому из кластеров обучающей выборки. Второй слой представляет собой обычный персептрон прямого распространения (ЕРР) с бинарной сигмоидальной функцией ограничения. Он распознает комбинации корреляций входного образа с каждым из кластеров и ставит им в соответствие выходные значения параметров сети.

Рис. 3. Разработанная топология нейросети

Разработан комбинированный метод обучения сети. Алгоритм обучения первого слоя имеет следующий вид:

1. Веса каждого из т нейронов первого слоя заполняются значениями первых т образов обучающей выборки.

2. Далее производится дообучение нейросети остальным образам рк. Для этого в течение некоторого количества итераций производится корректировка каждого веса каждого нейрона в соответствии с его схожестью с каждым из образов, которым сеть еще не обучена, в соответствии с выражением

где аи - параметр схожести очередного к-то образа из обучающей выборки и весов /-го нейрона первого слоя. Вычисляется данный параметр по формуле

Количество итераций дообучения в нашем случае составляет около 100.

Вторым этапом обучения является обучение второго слоя сети. В качестве алгоритма обучения была выбрана линейная коррекция синаптических весов слоя по ошибке. Общая схема блока нейросетевой идентификации приведена на рис. 4. Сам процесс состоит из следующих шагов:

1. Импорт цифрового изображения.

2. Предварительная обработка изображения (удаление высокочастотных шумов, повышение контрастности).

3. Расчет матрицы относительных рентгенографических плотностей.

4. Создание нейросети и загрузка в нее заранее рассчитанных в процессе обучения значений синаптических весов.

5. Расчет набора признаков для каждого участка изображения.

6. Обработка наборов признаков для всех участков снимка нейросетью.

7. Повторение шагов 5 и 6 для каждого из пяти масштабов представления искомых патологических структур.

8. Вывод информации о локализации и вероятности обнаружения патологии.

Рис. 4. Общая схема блока нейросетевой идентификации патологических структур в разработанной информационно-измерительной системе

Далее в главе рассматриваются результаты численного эксперимента по оценке качества распознавания изображения при различном уровне цифрового высокочастотного шума на изображении. Была произведена оценка корректного распознавания (рис. 5) и ложного распознавания.

Рис. 5. Зависимость количества случаев корректного распознавания (£) патологий на снимке от уровня шума ^ИЯ) на изображении

В четвертой главе рассматривается реализация разработанных моделей и алгоритмов в виде информационно-измерительной системы «Анализ и обработка цифровых флюорографических изображений», общая структура которой показана на рис. 6.

Приведены основные возможности и условия функционирования программного продукта. Приведена методика анализа снимков с помощью данной информационно-измерительной системы. Подробно описаны функции системы.

Описано функционирование данного программного продукта в рамках системы виртуальной карты больного. Разработана вспомогательная система АРМ регистратуры при флюорографическом кабинете, через которую может осуществляться взаимодействие анализатора с базой данных системы виртуальной карты больного.

Разработана методика автоматической обработки и анализа изображений с помощью созданного программного продукта:

1. Перед началом анализа изображения следует в его настройках задать параметры оборудования, с помощью которого было получено изображение.

2. Процесс анализа любого изображения начинается с импорта его в приложение. Как показано на рис. 6, реализовано три способа загрузки снимка: из общей базы данных по пациентам, из файла с растровой графикой или сканирование и получение изображения по TWAIN-протоколу с любого устройства видео- или фотосъемки (как правило, это сканер или цифровая фотокамера).

3. Далее производится подстройка контрастности изображения, так как оно зачастую оказывается размыто. После этого автоматически программа определяет и выделяет области снимка с наиболее вероятным нахождением патологий, то есть те области снимка, на которые следует обратить внимание в первую очередь. Изменение контрастности производится в целях повышения удобства визуального анализа изображения. Оценка же относительной рентгенографической плотности производится по исходному неизмененному изображению.

Произведено сравнение возможностей данной информационно-измерительной системы с известными её аналогами, такими как: «Видеотест-размер» из пакета версии 4.0 от фирмы «ВидеоТест»; «X-ray Lab 30 X-ray Images Digital Processor» от компании Gilardoni; диагностическая консоль цифровой рентгенологии от ООО «ПО Видар»; приложение «Advanced image processor»; программное обеспечение к передвижным рентгеновским флюорографическим кабинетам от ЗАО «Рентгенпром»; система «Скрининг-

флюорография» от центра медицинских информационных технологий «Меди-ал-МТ».

Рис. 6. Общая структура разработанной информационно-измерительной системы

Сравнив все вышеперечисленные программные продукты с разработанным программным комплексом, можно сделать следующие выводы:

• Разработанная система, в отличие от всех рассмотренных, содержит подсистему распознавания образов, что позволяет врачу производить более точную постановку диагноза.

• В отличие от аналогов, анализ изображений и идентификация патологических структур в разработанной системе производятся по относительным яркостям точек цифрового рентгеновского изображения.

• В отличие от большинства из рассмотренных программ, разработанная информационно-измерительная система может работать не только в «автономном» режиме, но и как компонент больничной системы, взаимодействующий с ней через общую базу данных.

В заключении сформулированы основные результаты, полученные в ходе работы над диссертацией:

1. Проведен анализ существующих методов и средств идентификации патологических структур. Обоснована необходимость разработки комплекса аппаратно-программных средств для автоматизации идентификации патологических структур по рентгеновским снимкам в медицинской диагностике.

2. Получены расчетные соотношения, позволяющие количественно оценивать характеристики патологических структур на цифровых снимках.

3. Разработана архитектура нейросетевой модели для идентификации патологических структур на цифровых рентгеновских снимках. Выбран вектор признаков для распознавания патологий с помощью данной нейросети. Разработаны алгоритмы обучения каждого слоя.

4. Разработана методика нейросетевой идентификации образов. Программно реализовано автоматизированное распознавание патологических структур на снимке.

5. Разработано программное обеспечение для анализа и обработки рентгеновских снимков с целью идентификации структуры тканей, получено свидетельство о регистрации данного продукта.

6. Показана возможность применения разработанных методик и алгоритмов идентификации структур для технической диагностики, в частности для выявления брака подшипниковых изделий.

В приложении приведен акт о внедрении результатов данной диссертационной работы в медицинскую практику на кафедре внутренних болезней и интернатуры Саратовского государственного медицинского университета, свидетельство об официальной регистрации программы для ЭВМ.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Двухэтапное распознавание образов в нейросетевых диагностических системах / Т. И. Булдакова, С. В. Колентьев, В. Б Лифшиц, С. И. Суятинов // Информационные технологии в образовании, технике и медицине: Сб. науч. трудов: В 2 ч. Ч. 2. - Волгоград: ВолгГТУ, 2000. - С. 194-196.

2. Колентьев С. В. Иерархический подход к обработке данных в задачах восстановления структуры объекта / С. В. Колентьев, Т. И. Булдакова // Информационные технологии в образовании: Сб. матер, межвуз. науч.-метод. конф. СГТУ. - Саратов: СГТУ, 2000. - С. 135-136.

3. Колентьев С. В. Применение клеточных автоматов для обработки изображений / С. В. Колентьев // Физические основы радиоэлектроники и полупроводников: Межвуз. сб. науч. статей. - Саратов: Сарат. пед. ин-т, 2000. -С. 84-86.

4. Buldakova T. I. Measurement of relative density of tissue using wavelet analysis and neural nets / T. I. Buldakova, S. V. Kolentev, S. I. Suyatinov // Proceedings of SPIE, 2001. -Vol. 4158. - P. 55-62.

5. Колентьев С. В. Выделение потенциально дефектных областей по данным сканирования изделий / С. В. Колентьев // Прикладные исследования в радиофизике и электронике: Сб. науч. статей / СГТУ. Саратов, 2001. -

С. 70-72.

6. Колентьев С. В. Сравнительный анализ частотной и частотно-временной фильтрации данных / С. В. Колентьев // Автоматизация и управление в машино- и приборостроении: Межвуз. науч. сб. - Саратов: СГТУ, 2002. -С. 99-102.

7. Колентьев С. В. Альтернативный способ обучения многослойных нейросе-тей прямого распространения в задаче распознавания образов / С. В. Колентьев // Цифровая обработка сигналов и ее применение DSPA-2002: Труды 4-й Междунар. конф. - М.: РНТОРЭС им. А. С. Попова, 2002. - С. 420-422.

8. Колентьев С. В. Уравнение переноса рентгеновского излучения / С. В. Колентьев // Моделирование в радиофизических устройствах: Сб. науч. статей / СГТУ. Саратов, 2002. - С. 95-97.

9. Колентьев С. В. Проблемы систем томографической реконструкции с использованием малого количества проекций / С. В. Колентьев // Информа-

ционные технологии в образовании, технике и медицине: Сб. науч. трудов: В 2 ч. Ч. 2. - Волгоград: ВолгГТУ, 2002. - С. 211-213.

10. Колентьев С. В. Программный комплекс для вычисления относительной рентгенографической плотности / С. В. Колентьев // Состояние и проблемы измерений: Труды 8-й Всерос. науч.-техн. конф. Ч. 2. - М.: МГТУ им. Н. Э. Баумана, 2002. - С. 8-10.

11. KolentevS.V. Criteria of identification of the medical images / S.V. Kolentev, T. I. Buldakova, S. I. Suyatinov // Proceedings of SPIE, 2002. -Vol. 5067.-P. 148-153.

12. Булдакова Т. И. Нейросетевые алгоритмы прогнозирования в инструментальном производстве / Т. И. Булдакова, С. В. Колентьев, С. И. Суятинов // Информационные технологии. - 2003. -№3. - С. 23-31.

13. Мобильный измерительный комплекс оценки физиологических параметров человека / А. В. Коблов, С. В. Колентьев, А.В.Кузнецов, С. С. Милованов // Студенты и аспиранты - малому наукоемкому бизнесу: Труды 6-й Всерос. конф. - Ярославль, 2003. - С. 51-56.

14. Колентьев С. В. Алгоритм оценки относительной плотности тканей по рентгеновским снимкам с использованием вейвлет-анализа / С. В. Колентьев, Т. И. Булдакова, С. И. Суятинов // Вестник новых медицинских технологий. - 2003. - №1. - С. 6-8.

15. Колентьев С. В. Обобщенная модель получения медицинских рентгеновских снимков / С. В. Колентьев // Моделирование процессов в радиофизических устройствах: Сб. науч. статей. - Саратов: Научная книга, 2003. -С. 89-92.

16. Булдакова Т. И. Нейросетевое прогнозирование язвенной болезни / Т. И. Булдакова, С. В. Колентьев // Нейрокомпьютеры: разработка и применение. - 2004. - № 5-6. - С. 11-16.

17. Статистический и нейросетевой методы идентификации и прогнозирования в медицине / Т. И. Булдакова, С. В. Колентьев, В. Б. Лифшиц, С. И. Суятинов // Информационные технологии. - 2004. -№3. - С. 20-34.

КОЛЕНТЬЕВ Сергей Владимирович

ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНАЯ СИСТЕМА ИДЕНТИФИКАЦИИ ПАТОЛОГИЧЕСКИХ СТРУКТУР ПО ФЛЮОРОГРАММАМ

Автореферат

Ответственный за выпуск АА Терентьев Корректор Л.А Скворцова

Лицензия ИД № 06268 от 14.11.01 Подписано в печать 12.10.04 Формат 60x84 1/16

Бум. тип. Усл. печ.л. 1,0 Уч.-издл. 1,0

Тираж 100 экз. Заказ 408 Бесплатно

Саратовский государственный технический университет 410054 г. Саратов, ул. Политехническая, 77 Копипринтер СГТУ, 410054 г. Саратов, ул. Политехническая, 77

»20677

ВВЕДЕНИЕ.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ.

ГЛАВА 1. Задача автоматизированной структурной идентификации по медицинским изображениям.

1.1. Подходы к идентификации структур по рентгеновским снимкам в медицинской диагностике.

1.2. Моделирование процесса переноса рентгеновского излучения в среде.

1.3. Моделирование процесса регистрации рентгеновского излучения на фотопленке.

1.4. Способы измерения рентгенографической плотности среды.

J) 1.5. Методы анализа структуры в технической диагностике.

1.6. Формулировка задач для исследования.

ГЛАВА 2. Разработка методов распознавания зашумленных изображений.

2.1. Выбор критериев идентификации медицинских изображений.

2.2. Выбор модели переноса излучения в среде.

2.3. Разработка алгоритма измерения относительной рентгенографической плотности вещества.

ГЛАВА 3. Анализ и обработка экспериментальных данных.

3.1. Результаты моделирования прохождения рентгеновского излучения сквозь

Ф вещество.

3.2. Первичная обработка рентгеновских снимков.

3.3. Описание модели распознавания образов.

3.4. Метод идентификации патологических структур по снимкам.

3.5. Автоматизация процесса анализа флюорограмм.

ГЛАВА 4. Описание программного комплекса.

4.1. Общая структура программного комплекса для медицинской диагностики.

4.2. Подсистема анализа рентгеновских изображений.

4.3. Сравнение с аналогами.

4.4. Интеграция подсистемы обработки изображений с больничной автоматизированной системой.

На сегодня идентификация по медицинским изображениям часто применяется при диагностике заболеваний, вызывающих изменения некоторых характеристик тех или иных органов на структурном уровне. Одной из наиболее информативных характеристик является плотность тканей организма пациента. Широкое распространение для качественного контроля данной величины получил радиационный метод на основе рентгеновского излучения [18, 33, 37].

При анализе рентгеновского снимка видно, что в зависимости от плотности среды, сквозь которую прошел луч, яркость той или иной точки снимка меняется. Однако яркость меняется очень медленно - снимок размыт. Человеку трудно не вооруженным глазом определить границы и размеры участков тканей с разной плотностью или наличие инородных тел. Поэтому качественный анализ рентгеновского снимка представляет собой большое искусство и воплощает в себе умение распознавать даже самые малые изменения оптической плотности рентгеновской пленки, а также способность обнаруживать аномальные структуры, особенно при низком разрешении снимка. Таким образом, из-за особенностей субъективного зрительного восприятия значительно теряется информативность рентгеновского снимка. Особенно наглядно это видно на примере флюорографии. Надежность раннего обнаружения патологий по этим снимкам весьма низкая.

Особо следует подчеркнуть, что речь идет именно об исследовании качественных характеристик изображения. Количественные же характеристики, такие как площадь, объем и плотность элементов внутренней структуры, оцениваются самим человеком чисто субъективно, «на глаз». Однако более точное аппаратное измерение относительной плотности тканей по рентгеновским снимкам внутренних органов позволит выявить заболевание на ранней стадии.

Поэтому для большей объективизации анализа изображений необходимо иметь достоверные количественные характеристики. На практике получение медицинских изображений зависит от многих факторов, таких как режимы работы аппаратуры, индивидуальные особенности организма пациента. В силу этого, снимки можно считать лишь косвенной информацией о состоянии организма. В данной работе ставится задача разработки алгоритмов для измерения плотности внутренних тканей по косвенным данным. Современная техника принципиально позволяет решить эту задачу.

Использование новейших алгоритмов обработки сигналов и современной вычислительной техники в принципе позволяет существенно повысить информативность визуальных данных в различных системах лучевой диагностики. Современные алгоритмы обработки изображений в сочетании с ПК должны обеспечивать:

• улучшение визуализации патологического образования (увеличение контрастности, удаление со снимка «лишних» компонентов изображения: ребер и т.д.),

• определение относительной плотности тканей (по отношению к плотности окружающих тканей, в том числе к плотности рёбер),

• определение однородности по плотности образования,

• оценку количественных характеристик.

Это позволит существенно повысить информационную отдачу рентгенограммы, превосходя при этом возможности других, более современных и более дорогих методов.

В свою очередь, это приведет к повышению объективности постановки диагноза и автоматизации процесса распознавания образов (диагностирование). Учитывая сравнительно низкую стоимость и распространенность систем рентгеновской диагностики, представляется целесообразным разработать и внедрить алгоритмы автоматизированной расшифровки рентгенограмм в медицинскую практику.

Поэтому задача заключается в разработке алгоритмов автоматизированной расшифровки флюорограмм и идентификации патологических структур.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследований

Диссертационная работа посвящена решению задачи идентификации патологических структур на рентгеновских цифровых снимках. Врачу рентгенологу, как правило, приходится просматривать большое количество снимков, качество которых не всегда удовлетворительно, а размер сравнительно мал. Поэтому качественный анализ снимка представляет собой большое искусство и воплощает в себе умение распознавать даже самые малые изменения оптической плотности рентгеновской пленки, а также способность обнаруживать аномальные структуры, особенно при низком разрешении снимка. Это требует высокой квалификации и доступно немногим. Из-за особенностей субъективного зрительного восприятия значительно теряется информативность рентгеновского снимка. При массовых обследованиях, например с помощью флюорографии, эта работа весьма утомительна и чревата ошибками.

Широкое распространение компьютерной техники и информационных технологий способствовало созданию системы автоматизированной обработки большого количества изображений. Для повышения достоверности постановки диагноза по снимкам, разработка такой системы потребовала реализации метода распознавания образов. В качестве образов используются обработанные изображения патологий. В основе распознавания лежит сопоставление участков исследуемого изображения с шаблоном. В качестве механизма сопоставления использована гибридная модель нейронной сети, состоящая из сети радиальных базисных функций и слоя персептрона. К наиболее близким по данной тематике работам можно отнести публикации Забавина Н.С., Кузнецовой М.Д., Лукь-яницы А.А., Торшина А.Д., Федченко B.C., Уоссермена Ф. Ближайшие аналоги, данной системы, такие как «Видеотест-размер» из пакета версии 4.0 от фирмы «ВидеоТесТ»; «Х-ray Lab 30 X-ray Images Digital Processor» от компании Gilar-doni; «Advanced image processor»; система «Скрининг-флюорография» от центра медицинских информационных технологий «Медиал-МТ», задачу распознавания образов не решают, работают только в «автономном» режиме и не приспособлены для взаимодействия с больничной информационной системой.

В случае обработки цифровых флюорограмм наиболее информативной количественной характеристикой для идентификации структуры и исследования ее свойств является рентгенографическая плотность исследуемой среды. Под рентгенографической плотностью среды здесь и далее будем понимать ^ функцию линейного ослабления рентгеновского излучения прошедшего сквозь среду. На сегодняшний день эта характеристика определяется по яркости точек цифрового изображения или оптической плотности участков снимка. Данный подход можно встретить в работах Клюева В.В. [48] и Уэбба С. [51] Однако на яркость точек изображения влияет ряд других факторов, например, мощность излучателя, вес и габариты пациента и др. Поэтому яркость точек изображения можно считать косвенной информацией о свойствах исследуемого объекта. Таким образом, возникает задача числовой оценки рентгенографической плотности по косвенным показателям яркостей точек цифрового изображения. Иными словами, следует ввести такую характеристику рентгенографической плотности вещества, которая учитывала бы параметры использованного оборудования и режимы его работы. Для оценки погрешности определения этой характеристики необходимо промоделировать процессы переноса рентгеновского излучения через ткани, формирования рентгеновских снимков. Однако стандартные модели переноса излучения используют ряд предположений относительно учета эффектов рассеяния фотонов в веществе, что не позволяет сопоставлять снимки, полученные на разном оборудовании, по рентгенографической плотности. Более совершенной можно считать модель, предложенную Аниконовым Д.С., Ковтанюком А.Е. и Прохоровым И.В. [3], однако она очень требовательна к вычислительным ресурсам. Развитию и уточнению классической модели переноса рентгеновского излучения Лам берта-Бера [35] посвящено большое количество работ по томографии. Из работ последнего времени отметим работы БеллманаР. [8], Уэбба С. [51], Тихонова А.Н., Арсенина В.Я., ТимоноваА.А. * [49].

Поэтому разработку методов и алгоритмов автоматизированной идентификации патологических структур, в частности методов, основанных на применении нейронных сетей, позволяющих ускорить процесс диагностики заболеваний, снижающих долю повторных исследований, создание электронного архива флюорограмм, можно считать актуальной задачей.

Связь работы с крупными научными программами и темами

Диссертационная работа выполнена при финансовой поддержке Министерства образования РФ (Ползуновский грант 2003 года, шифр 24-1.15). Данная работа выполнялась в рамках НИР «Разработка теории идентификации сложных систем естественного происхождения». Проведенные исследования соответствуют следующему пункту Перечня критических технологий федерального значения: «1.3. Системы распознавания и синтеза речи, текста и изображений». Решение заявленных проблем позволяет создать технологии двойного применения, соответствующие следующему пункту Перечня двойных технологий федерального уровня: «В.4.4.2 - Системы искусственного интеллекта для решения прикладных задач, в том числе автоматического распознавания образов и речи, принятие решений». НИР проводилась по тематическому плану Министерства образования РФ (номер госрегистрации 0120206110).

Цель и задачи исследования

Целью диссертационной работы является разработка методов и алгоритмов автоматизированной идентификации патологических структур по флюорограмм ам. Для достижения данной цели были поставлены следующие задачи:

1. Разработать методику количественной оценки характеристик патологических структур.

2. Разработать методику идентификации паталогических структур по цифровым изображениям на основе нейросетевой технологии. Разработка архитектуры нейросетевой модели и алгоритмов ее обучения.

3. Разработать методику обработки и визуализации цифровых рентгеновских снимков.

4. Разработать информационно-измерительную систему автоматизированной идентификации патологических структур.

Объект и предмет исследования

Объектом исследования, выполненного в диссертации, являются методы и алгоритмы цифровой обработки и распознавания медицинских рентгеновских снимков. Предметы исследования - идентификация паталогических структур, модель переноса рентгеновского излучения через вещество, измерение рентгеновской плотности тканей.

Методология и методы проведенного исследования

В основе исследования лежат нелинейные методы обработки цифровых изображений с помощью дискретного вейвлет преобразования и клеточных автоматов; методы нейросетевого распознавания образов и модели нейронных сетей радиальных базисных функций и персептронов; теория функционального анализа; методы имитационного моделирования.

Научная новизна и значимость полученных результатов

1. Разработана методика идентификации патологических структур на основе оценки их количественных характеристик (относительная яркость точек цифрового изображения, относительная площадь патологических структур, координаты местоположения структуры на флюорограмме), позволяющая реализовать автоматическое обнаружение патологий и упростить процедуру анализа большого количества снимков.

2. Разработана нейросетевая модель, имеющая гибридную архитектуру и позволяющая автоматизировать процесс идентификации патологических структур и повысить вероятность правильного распознавания.

3. Разработаны рабочие алгоритмы и программное обеспечение информационно-измерительной системы автоматизированной обработки рентгенограмм, позволяющей распознавать патологические структуры.

4. Показано, что разработанная методика идентификации структур применима к задачам медицинской, технической диагностики.

Практическая значимость полученных результатов

Разработанные модели, алгоритмы и программы были использованы при разработке экспертных систем распознавания патологических структур на снимках. Разработанная система позволяет создать электронный архив флюоро-грамм и провести статистическую обработку материала. Информационно-измерительная система может использоваться для оцифровки и анализа рентгеновских снимков и идентификации патологических структур.

Разработанная методика идентификации структур может иметь более широкое применение. Она может также применяться в технической диагностике, к примеру, для распознавания брака в подшипниковых изделиях по данным сканирования объекта вихретоковым датчиком.

Разработанные в работе алгоритмы и модели внедрены в медицинскую практику на кафедре внутренних болезней и интернатуры Саратовского государственного медицинского университета, о чем имеется соответствующий акт.

Основные положения, выносимые на защиту

На защиту выносятся:

1. Методика количественной оценки характеристик патологических структур на основе яркостей точек цифрового рентгеновского изображения.

2. Методика нейросетевой идентификации структур на цифровых снимках на основе их количественных характеристик.

3. Архитектура гибридной нейронной сети, основанной на архитектурах персептрона и сети радиальных базисных функций, для распознавания патологических структур на оцифрованном рентгеновском снимке.

4. Информационно-измерительная система распознавания патологических структур на оцифрованном рентгеновском снимке.

Личный вклад соискателя

Автор разрабатывал представленные в диссертации физико-математические модели, алгоритмы и программы.

Апробация результатов диссертации

Основные результаты работы докладывались:

• На 6-й Всероссийской научно-технической конференции «Состояние и перспективы измерений» (Москва, МГТУ им. Н. Э. Баумана, 1999 г.);

• На международной конференции «Информационные технологии в образовании, технике и медицине» (Волгоград, ВолгГТУ, 2000 г.);

• На межвузовской научно-методической конференции «Информационные технологии в образовании» (Саратов, СГТУ, 2000 г.);

• На секции «Tissue Science, Structure & Diagnostics» международной конференции «SPIE: EBIOS» (Amsterdam, 2000 г.);

• На 4-ой международной конференции и выставке «Цифровая обработка сигналов и ее применение» DSPA-2002 (Москва, РНТОРЭС им. А. С. Попова, 2002 г.);

• На международной конференции «Информационные технологии в образовании, технике и медицине» (Волгоград, ВолгГТУ, 2002 г.);

• На международной конференции «SPIE: Workshop on Optical Technologies in Biophysics & Medicine IV» (Саратов, СГУ, 2002 г.);

• На 8-ой Всероссийской научно-технической конференции «Состояние и проблемы измерений» (Москва, МГТУ им. Н. Э. Баумана, 2002 г.);

• На 6-ой Всероссийской конференции «Студенты и аспиранты - малому наукоемкому бизнесу» (Ярославль, 2003 г.).

Программные продукты, разработанные в рамках диссертационной работы, были представлены:

• На международной выставке-ярмарке научно-исследовательских работ и инновационной деятельности студентов, аспирантов и молодых ученых высших учебных заведений Российской Федерации (Новочеркасск, НТИ (ЮРГТУ), 2003 г.);

• На 9-ой международной выставке молодежных научно-технических проектов «ЭКСПО - Наука 2003» (Москва, ВВЦ, 2003 г.).

Программный продукт под названием «Анализ и обработка цифровых рентгеновских снимков», разработанный в рамках данной диссертационной работы, официально зарегистрирован Российским агентством по патентам и товарным знакам (Свидетельство №2003611777 от 24 июля 2003 г. по заявке №2003611358 от 20 июня 2003 г.).

Публикации результатов

По теме диссертации опубликовано 17 научных работ, в том числе 6 статьи в научных журналах, 6 статей в сборниках научных трудов и 5 докладов в трудах международных конференций. Общий объём опубликованных материалов - 4,25 п.л.

Структура и объем диссертации.

Диссертация состоит из введения, четырех глав, заключения, списка использованных литературных источников и приложения. Общий объем диссер

основные выводы:

1. Проведен анализ существующих методов и средств идентификации патологических структур. Обоснована необходимость разработки комплекса аппаратно-программных средств для автоматизации идентификации патологических структур по рентгеновским снимкам в медицинской диагностике.

2. Получены расчетные соотношения, позволяющие количественно оценивать характеристики патологических структур на цифровых снимках.

3. Разработана архитектура нейросетевой модели для идентификации патологических структур на цифровых рентгеновских снимках. Выбран вектор признаков для распознавания патологий с помощью данной нейросети. Разработаны алгоритмы обучения каждого слоя.

4. Разработана методика нейросетевой идентификации образов. Программно реализовано автоматизированное распознавание патологических структур на снимке.

5. Разработано программное обеспечение для анализа и обработки рентгеновских снимков с целью идентификации структуры тканей, получено свидетельство о регистрации данного продукта.

6. Показана возможность применения разработанных методик и алгоритмов идентификации структур для технической диагностики, в частности для выявления брака подшипниковых изделий.

ЗАКЛЮЧЕНИЕ

Результаты проведенных исследований позволяют сделать следующие

1. Абакумов А. А., Абакумов А. А. (мл.), Галунпсов А. И., Шорин М. В. Магнитный интроскоп для оперативного обнаружения скрытых дефектов ферромагнитных объектов // Контрольно-измерительные приборы и системы. 2000. №1. С. 28-30.

2. Аксеенко М. Д., Бараночников М. JI. Приемники оптического излучения. -М.: Радио и связь, 1987.

3. Аниконов Д. С., Ковтанюк А. Е., Прохоров И. В. Использование уравнения переноса в томографии. М.: Логос, 2000.

4. Анисимов Б. В., Курганов В. Д., Злобин В. К. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983.

5. Антонов А. О., Антонов О. С., Виноградова Е. В. Цифровые диагностические изображения. Практический опыт применения цифровых технологий в медицине // Бюллетень сибирского отделения РАМН, 1999. №1(91). -С. 127-131.

6. Антонов О. С., Мантула Д. К. Методы и средства обработки сложноструктурированной семантически насыщенной графической информации. -Горький, 1983. С. 141-142.

7. Бабак В. П. Автоматизированные системы неразрушающего контроля на базе ЭВМ. -М.: Машиностроение, 1986.

8. Беллман Р. Математические методы в медицине. М.: Мир, 1987. - 200 с.

9. Бобровник Ю. А. Реконструктивная вычислительная томография эффективный метод визуализации // Диагностика и прогнозирование сварочных конструкций. - 1986. - №2. - С. 56-64.

10. Булдакова Т. И., Колентьев С. В., Суятинов С. И. Алгоритм оценки относительной плотности тканей по рентгеновским снимкам с использованием вейвлет-анализа // Вестник новых медицинских технологий, 2003. №1. -С. 6-8.

11. Булдакова Т. И., Колентьев С. В., Суятинов С. И. Нейросетевые алгоритмы прогнозирования в инструментальном производстве // Информационные технологии. 2003. -№3. - С. 23-31.

12. Булдакова Т. И., Суятинов С.И. Нейрокомпьютерные системы: Учебное пособие. Саратов: СГТУ, 1999.

13. Вайнберг Э. И., Казак И. А., Курозаев В. П. Точность воспроизведения пространственной структуры контролируемого объекта в рентгеновской промышленной томографии // Дефектоскопия. 1980. - № 10. - С. 5-8.

14. Воробьев В. А., Горшков В. А., Сырков В. Б. Оценка плотности материала по обратно рассеянному гамма-излучению // Дефектоскопия. 1993. - №9. -С. 33-35.

15. Габуния Р. И., Колесникова Е.К., Туманов Л.Б. Компьютерная томография органов грудной клетки // Вестник рентгенологии. 1983. - №1. - С. 12-18.

16. Горбань А. Н. Обучение нейронных сетей. М.: СП «Параграф», 1990.

17. Ишанин Г. Г. Приемники излучения оптических и оптико-электронных приборов. Ленинград: Машиностроение, 1986.

18. Коблов А. В., Колентьев С. В., Кузнецов А. В., Милованов С. С. Мобильный измерительный комплекс оценки физиологических параметров человека // Труды 6-й Всероссийской конференции «Студенты и аспиранты малому наукоемкому бизнесу». - Ярославль, 2003.

19. Колентьев С. В. Выделение потенциально дефектных областей по данным сканирования изделий // Прикладные исследования в радиофизике и электронике: Сборник научных статей. Саратов: ООО «Исток-С», 2001. - С. 70-72.

20. Колентьев С. В. Обобщенная модель получения медицинских рентгеновских снимков // Моделирование процессов в радиофизических устройствах: Сборник научных статей. Саратов: «Научная книга», 2003. - С. 89-92.

21. Колентьев С. В. Применение клеточных автоматов для обработки изображений // Физические основы радиоэлектроники и полупроводников: Межвузовский сборник научных статей. Саратов: СПИ, 2000. - С. 84-86.

22. Колентьев С. В. Проблемы систем томографической реконструкции с использованием малого количества проекций // Информационные технологии в образовании, технике и медицине: Сборник научных трудов в 2-х ч. Ч. 2. -Волгоград: ВолгГТУ, 2002. С. 211-213.

23. Колентьев С. В. Программный комплекс для вычисления относительной рентгенографической плотности // Состояние и проблемы измерений: Труды. 8-й всероссийской научно-технической конференции. Ч. 2. Москва: МГТУ им. Н. Э. Баумана, 2002. - С. 8-10.

24. Колентьев С. В. Сравнительный анализ частотной и частотно-временной фильтрации данных // Автоматизация и управление в машино- и приборостроении: Межвузовский научный сборник. Саратов: СГТУ. 2002. - С. 99102.

25. Колентьев С. В. Уравнение переноса рентгеновского излучения // Моделирование в радиофизических устройствах: Сборник научных статей. Саратов: ООО «Исток-С», 2002. - С. 95-97.

26. Кононов Э. В., Мороз В. И. Общий курс астрономии: Учебное пособие / Под. ред. В. В. Иванова. М.: Едиториал УРСС, 2001. - 544 с.

27. Литвинов В. И., Мороза А. М. Лабораторная диагностика туберкулеза. М.: МНПЦБТ, 2001,- 184 с.

28. Меркле К., Спасокукоцкая О. Н., Евдонин С. Е. Компьютерная томография в определении плотности легких при планировании облучения // Медицинская радиология. 1983. - №9. - С. 31-34.

29. Минский М., Пейперт С. Персептроны. М.: Мир, 1971.

30. Сизиков В. С. Устойчивые методы обработки результатов измерений. Учебное пособие. СПб.: «СпецЛит», 1999. - 240 с.

31. Стародубцев С. В., Романов А. Н. Взаимодействие гамма-излучения с веществом. Ч. 1. Ташкент, 1964.

32. Сухов Е. Г. Параллелизм в задачах вычислительной томографии // Автоматика и телемеханика. 1993. - №1. - С. 181-185.

33. Сухов Е. Г. Технология сечений в параллельной компьютерной томографии // Автоматика и телемеханика. 1994. - №12. - С. 163-167.

34. Опенгейм Э. Применение цифровой обработки сигналов. М.: Мир, 1980.

35. Павлидис Т. Алгоритмы машинной графики и обработки изображений. -М.: Радио и связь, 1986. С. 81.

36. Пароль Н. В., Кайдалов С. А. Фоточувствительные приборы и их применение. М.: Радио и связь, 1991.

37. Пикалов В. В., Преображенский Н.Г. Реконструктивная томография в газодинамике и физике плазмы. Новосибирск: Наука, 1987.

38. ПратгУ. Цифровая обработка изображений. Том 2. Перевод с английского. М.: Мир, 1982.

39. Приборы для исследования физических свойств материалов. Сборник статей. 1974.

40. Прохоров А. М. Физическая энциклопедия. Том 3. М.: Большая Российская энциклопедия, 1994. - 672 с.

41. Путятин Е. П., Аверин С. И. Обработка изображений в робототехнике. -М.: Машиностроение, 1990.

42. Реконструктивная вычислительная томография // ТИИЭР. 1983. - №3.

43. Рентгенотехника: Справочник / Под общ. ред. В. В. Клюева. М.: Машиностроение, 1991.

44. Тихонов А. Н., Арсенин В. Я., Тимонов А. А. Математические задачи компьютерной томографии. М.: Наука, 1987.

45. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992.

46. Уэбб С. Физика визуализации изображений в медицине. Том 1. М.: Мир, 1991.

47. Уэбб С. Физика визуализации изображений в медицине. Том 2. М.: Мир, 1991.

48. Хоменко А. Г. Туберкулез. Руководство для врачей. М.: Медицина, 1996. -496 с.

49. Яворский Б. М., Пинский А. А. Основы физики. Том 2. М.: Физматлит, 2000. - 576 с.

50. Ahuja N., Schachter B.J. Pattern models // New York, NY: John Wiley, 1983.

51. Bajcsy P., Ahuja N. Uniformity and homogeneity based hierarchical clustering I I Proceedings of thirteenth Int'l Conference on Pattern Recognition, Vienna, Austria, 1996. Vol. B. - pp. 96-100.

52. Buldakova Т. I., Kolentev S. V., Suyatinov S. I. Criteria of identification of the medical images // Proceedings of SPIE, 2002. Vol. 5067. - P. 148-153.

53. Buldakova Т. I., Kolentev S. V., Suyatinov S. I. Measurement of relative density of tissue using wavelet analysis and neural nets // Proceedings of SPIE, 2001. -Vol. 4158.-P. 55-62.

54. Chen D., Chang С. M., Laine A. Detection and enhancement of small masses via precision multiscale analysis // Third Asian Conference on Computer Vision Proceedings: Computer Vision ACCV '98, Hong Kong, 1998. - Vol. 1, PRC. - P. 192-199.

55. Christoyianni I., Dermatas E., Kokkinakis G. Neural classification of abnormal tissue in digital mammography using statistical features of the texture // IEEE Engineering in Medicine and Biology, 1995. P. 535-538.

56. Daubechiesl. Ten lectures on wavelets // Philadelphia, PA: Soc. Ind. Applied Mathematics, 1992.

57. DeCartel J.M., Surdu J.R. Practical recognition vehicles in FLIR // In. Proc. SPIE, Automatic Object Recognition V, 1995. Vol. 2485. - pp. 200-210.

58. De Parades. Radiographic breast anatomy: radiological signs of breast cancer // Papers of 79th Scientific Assembly of the Radiological Society of North America, 1993.-P. 35-40.

59. De Souza P. Automatic rib detection in chest radiograms // Computer Vision and Graphics Proceedings, 1983. Vol. 23.

60. Desvignes M., Romaniuk В., Clouard R. First steps toward automatic location of landmarks on x-ray images // ICPR00, 2000. Vol. 2.

61. DudaR. O., Hart P. E. Pattern classification and scene analysis. New York: Wiley, 1973.

62. Everitt B. S. Cluster analysis. London: Edward Arnold, 1993.

63. Frederick Hoare, Gerhard de Jager. Model based segmentation of medical x-ray images // ШЕЕ Transactions on Medical Imaging, 1989. Vol. 8. - P. 154-160.

64. Gonzalez R.C., Woods R.E. Digital image processing. USA: Addison-Wesley, 1992.

65. Gowda К. C., Krishna G. Agglomerative clustering using the concept of mutual nearest neighborhood // Pattern Recognition, 1978. Vol. 10. - pp. 105-112.

66. HallE. L., KrugerR. P., Dwyer S. J. A survey of preprocessing and feature extraction techniques for radiographic images. // TC, 1971. Vol. 20. - №9. -P. 1032- 1041.

67. Hanaizumi H., Chino S., Fujimura S. A binary division algorithm for clustering remotely sensed multispectral images // IEEE Transactions Instrumentation and Measurement, 1995. Vol. 44. - P. 759-763.

68. Hopfield J. J. Learning algorithms and probability distributions in feed-forward and feed-back networks // Proceedings of National Academy of Sciences, 1987. -USA 84: 8429-33.

69. Jain A. K., Dubes R. C. Algorithms for clustering data // Englewood Cliffs, NJ: Prentice Hall, 1988.

70. Kohonen T. New developments of learning vector quantization and the self-organizing map // Symposium on Neural Networks «Alliances and Perspectives» Senri, Osaka, Japan, Senri Int. Information Institute, 1992.

71. MacKay David J. C. Information theory, inference, and learning algorithms. -Cambridge University Press, 2003.

72. Meersman D., Scheunders P., Van Dyck D. Detection of microcalcifications using neural networks // Third International Workshop on Digital Mammography Proceedings, Chicago, IL, 1996. -P.97-103.

73. Mira Park, Laurence S. Wilson, Jesse S. Jin. Automatic extraction of lung boundaries by a knowledge-based method // Visualization 2000, Pan-Sydney Workshop on Visual Information Processing, 2000. Vol. 2.

74. Mitchie D., Spiegelhalter D. J., Taylor С. C. Machine learning, neural and statistical classification. New York: Ellis Horwood, 1994.

75. NadlerM., Smith E. Pattern recognition engineering. John Wiley: Canada, 1993.

76. Roe R. W., Keyes W. I. Application of a distance-based method for analyzing spatial patterns to the analysis of radionuclide tomograms // Practical radiology, 1981,-Vol. 14.

77. Sezian M. I., Tekalp A. M., Schaetzing R. Automatic anatomically selective image enhancement in digital chest radiography // IEEE Transactions on Medical Imaging, 1989, Vol. 8, P. 154-162.

78. Sheng Liu, Charles F. Babbs, Edward J. Delp. Normal mammogram analysis and recognition // Proceedings of the IEEE International Conference on Image Processing, 1997.

79. Sherrier R. A., Johnson G. Regionally adaptive histogram equalization of the chest // IEEE Transactions on Medical Imaging, 1987. Vol. Ml-6. - P. 1-7.

80. Sneath P. H., Sokal R. R. Numerical texonomy. San Francisco, CA: W.H. Freeman, 1973.

81. Tuceryan M., Jain A. Texture segmentation using Voronoi polygons // IEEE Trans. Pattern Analysis and Machine Intelligence, 1990. Vol. 12, № 2. - P. 211216.

82. Trussell H. J. Processing of x-ray images // IEEE Proceedings, 1981. Vol. 69.

83. Wong Y., PosnerE. C. A new clustering algorithm applicable to multiscale and polarimetric SAR images // IEEE Transactions on Geoscience and Remote Sensing, 1993. Vol. 31. - P. 634-644.

84. Xing Y., Huda W., Laine A. F. Comparison of a dyadic wavelet image enhancement algorithm with unsharp masking and median filtering // SPIE Proceedings: Medical Imaging Image Processing, San Diego, 1995. - Vol. 2434, CA. - P. 718-729.

85. Xing Y., Huda W., Laine A. F. Simulated phantom images for optimizing wavelet-based image processing algorithms in mammography // SPIE Proceedings: Mathematical Methods in Medical Imaging III, San Diego, С A, 1994. Vol. 2299.-P. 207-217.

86. Zahn С. T. Graph-theoretical methods for detecting and describing gestalt clusters // IEEE Trans. Computers, 1971. Vol. 20. - P. 68-86.

87. Патент России 2163394, МКИ 7 G 06. К 9/00. Способ идентификации материальных объектов / Меденников П. А., Павлов Н. И. № 99106435/09, за-явл. 29.03.1999.

88. Патент России 92010391, МКИ 6 G06. К 9/00. Способ распознавания графического образа материального объекта / Засухин Е. А.1. РОССИЙСКАЯ ФЕДЕРАЦИЯ

89. РОССИЙСКОЕ АГЕНТСТВО ПО ПАТЕНТАМ И ТОВАРНЫМ ЗНАКАМ (РОСПАТЕНТ)1. СВИДЕТЕЛЬСТВО

90. Об официальной регистрации программы для ЭВМ2003611777

91. Страна: Российская Федерацияпо заявке № 2003611358, дата поступления: 20 июня 2003 г.

92. Зарегистрировано в Реестре программ для ЭВМг. Москва, 24 июля 2003 г.сTcHefefutbHbtu (jttficninvfiуШ). j(c/i tmw>,

93. УТВЕРЖДАЮ» Ректор СГМУ д.м.н., профессор 1, П.В. Глыбочко2003 года1. АКТо внедреншГрезультатов кандидатской диссертационной работы Колентьева Сергея Владимировича

94. Алгоритмов идентификации камней в почках по их изображениям;

95. Программного комплекса исследования структуры объекта;

96. Методики расчета относительной плотности камней с учетом погрешностей нелинейных преобразований информационного сигнала.

97. Использование результатов диссертации позволило повысить точность измерения плотности камней в почках по оцифрованному снимку и выбрать адекватное лечение заболевания.

98. Работа проводилась в рамках договора «Телемедицина» с СГМУ.1. Председатель комиссии1. Члены комиссии:1. A.M. Косыгина1. В.Б. Лифшиц1. Т.Г. Шаповалова