Интеллектуализация процесса диагностики венозных заболеваний тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Веденяпин, Дмитрий Александрович

• Веденяпин, Дмитрий Александрович
• кандидат технических наук
• 2013

Оглавление диссертации кандидат технических наук Веденяпин, Дмитрий Александрович

Введение.

Глава 1. Комбинированная термометрия.

1.1 Физические процессы, на основе которых базируется комбинированная термометрия.

1.2 Физиологические процессы, на основе которых базируется комбинирования термометрия.

1.3 Значимые признаки венозных заболеваний нижних конечностей.

1.4 Внешние условия, влияющие на комбинированную термометрию.

Введение диссертации (часть автореферата) на тему «Интеллектуализация процесса диагностики венозных заболеваний»

Актуальность темы. Заболевания вен нижних конечностей в настоящее время представляют собой медицинскую и социальную проблему чрезвычайной важности. По данным разных авторов признаки заболеваний в той или иной степени выраженности имеют до 90% женщин и до 65% мужчин из числа жителей развитых стран. Большое исследование, выполненное в 1999 году в Эдинбурге [11], показало наличие варикозно-расширенных вен нижних конечностей у 40% женщин и 32% мужчин. Эпидемиологическое исследование, проведенное в 2004 году в Москве [65], продемонстрировало, что 67% женщин и 50% мужчин имеют хронические заболевания вен нижних конечностей. Исследование, проведенное в 2008 году в другом регионе РФ - на полуострове Камчатка, показало схожую ситуацию: хронические заболевания вен нижних конечностей чаще встречались у женщин (67,5%), чем у мужчин (41,3%) [87]. Ряд симптомов, характерных для данного типа заболеваний, существенно снижают качество жизни и социально-профессиональную активность больных, утрачивается привычное ощущение «здорового благополучия». К тому же, необходимо учитывать, что в значительном числе случаев у больных развиваются осложненные формы венозной недостаточности, сопровождающиеся стойкой и длительной инвалидизацией пациентов. При этом специалистов-флебологов, которые могли бы правильно диагностировать данные заболевания - не хватает, а специалистов, оснащенных современным оборудованием - еще меньше.

В связи с вышесказанным, своевременная и точная диагностика венозных заболеваний относится к числу наиболее сложных и актуальных проблем в современной медицине. На протяжении многих лет руки были единственным инструментом врача для обследования пациента с варикозной болезнью. Впрочем, применение в клинической практике на протяжении продолжительного времени достаточно высокоинформативных методов (ультразвуковое дуплексное сканирование, авторадиография, электронная и контактная микроскопия, рентгенологические методы), в силу ряда объективных и субъективных причин, не решили проблему ранней диагностики и динамического контроля над течением венозных заболеваний. Одной из основных причин последнего является недостаток априорной информации, который приводит к тому, что принятие решений врачом осуществляется в условиях целого ряда неопределенностей.

Актуальность данной работы. Одним из средств повышения эффективности диагностики является автоматизация и интеллектуализация обработки диагностических данных с использованием информационных технологий как средства, позволяющего принять во внимание значительное количество диагностических признаков с учетом их значимости. При данном подходе минимизируются ошибки, связанные с субъективными факторами, такими как усталость врача, недооценка значимости отдельных симптомов и т.д.

Указанные выше проблемы можно решить созданием интеллектуального аппаратно-программного комплекса диагностики венозных заболеваний, который должен обладать невысокой ценой, простотой в применении, безопасностью, как для пациентов, так и для обслуживающего персонала. Функционирование такого комплекса вполне может быть основано на данных комбинированной термометрии. Под термином комбинированная термометрия понимается биофизический метод неинвазивного исследования, основанный на измерении внутренних и поверхностных температур тканей по интенсивности их теплового излучения в микроволновом (РТ) и инфракрасном (ИК) диапазоне и их последующей регистрации в виде числовых данных.

Важно отметить, что согласно существующим представлениям, изменение температуры ткани обычно предшествует структурным изменениям, которые обнаруживаются при общепринятых методах исследования, поэтому комбинированная термометрия представляет особый интерес для ранней диагностики заболеваний.

При этом, применение математических методов решения задач диагностики, в частности, нейросетевого моделирования, позволяет создать интеллектуальную составляющую комплекса и, как следствие, значительно повысить качество диагностики венозных заболеваний.

Работа выполнена при финансовой поддержке Министерства образования и науки РФ по ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы» (госконтракт № 16.513.11.3067).

Актуальность темы для решения прикладных задач подтверждается потребностью в разработке специализированных диагностических систем, основанных на алгоритмах и методиках, в том числе позволяющих проводить первичную диагностику без привлечения высококвалифицированных специалистов.

Целью диссертационной работы является повышение эффективности и качества диагностики заболевания вен нижних конечностей по данным комбинированной термометрии, за счет разработки алгоритмов и методик, позволяющих снизить трудоемкость, повысить скорость и точность на этапе первичной диагностики и повторного обследования.

Задачами диссертационной работы являются:

1. исследование особенностей и возможностей данных, полученных методом комбинированной термометрии, в частности, в диагностике венозной болезни нижних конечностей.

2. разработка алгоритмов для решения задач диагностики венозных заболеваний нижних конечностей с помощью нейронных сетей.

3. разработка способа получения входных параметров нейронных сетей, инвариантных к внешним условиям.

4. реализация и апробация предложенных в работе алгоритмов и методик в виде интеллектуального аппаратно-программного диагностического комплекса венозных заболеваний.

Методы исследования. Решение поставленных задач потребовало привлечения подходов и методов статистической обработки данных, распознавания образов, системного анализа, нейронных сетей. Программное обеспечение было разработано с использованием положений объектно-ориентированного проектирования.

Достоверность и обоснованность результатов. Обоснованность и адекватность результатов работы подтверждается их апробацией и результатами внедрения в Волгоградском флебологическом центре профессора Ларина С.И.

Научная новизна полученных результатов, выносимых на защиту, заключается в следующем:

• обоснована целесообразность и эффективность применения аппарата искусственных нейронных сетей диагностики венозных заболеваний по данным комбинированной термометрии;

• разработан алгоритм классификатора на основе нейронных сетей, учитывающий нюансы данных комбинированной термометрии и специфику медицинской диагностики;

• создан интеллектуальный аппаратно-программный комплекс диагностики венозных заболеваний по данным комбинированной термометрии;

• разработаны рекомендации для построения диагностических систем, основывающихся на данных комбинированной термометрии.

Практическая значимость работы:

1. На основе предложенных алгоритмов разработан интеллектуальный аппаратно-программный комплекс диагностики венозных заболеваний. Комплекс внедрен и применяется в Волгоградском флебологическом центре профессора Ларина С.И.

2. Предложенная методика построения нейронных систем может использоваться в дальнейшем при решении задач диагностики других заболеваний на основе данных комбинированной термометрии.

3. Разработанный комплекс обладает лучшими характеристиками по сравнению с аналогами, представленными на рынке разработчиков медицинского программного обеспечения.

4. Разработана и научно обоснована совокупность методов поддержки принятия решения при диагностике заболеваний по данным комбинированной термометрии, позволяющая повысить качество диагностики.

5. Созданный интеллектуальный аппаратно-программный комплекс не только сможет помочь в решении задач практической диагностики венозных заболеваний, но и послужит прототипом для создания интеллектуальной системы, диагностирующей целый ряд заболеваний по данным комбинированной термометрии.

Основные положения и результаты, выносимые на защиту:

1. Метод подбора входных параметров нейронных сетей, предназначенных для решения задач диагностики по данным комбинированной термометрии.

2. Способ создания архитектуры нейронных сетей, предназначенных для диагностики по данным комбинированной термометрии.

3. Реализованный на основе разработанных методик и алгоритмов интеллектуальный экспертный комплекс.

Внедрение.

1. Интеллектуальный аппаратно-программный комплекс диагностики венозных заболеваний по данным комбинированной термометрии внедрен в Волгоградском флебологическом центре профессора Ларина С.И. и используется для проведения первичной диагностики и обследования вен нижних конечностей пациента.

2. Работа выполнена при финансовой поддержке Министерства образования и науки РФ по ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы» (госконтракт № 16.513.11.3067).

Апробация работы. Основные положения диссертации докладывались и обсуждались на Всероссийской школе-семинаре «Методы компьютерной диагностики в биологии и медицине - 2007» (Саратов, 2007 г.) [44], X Всероссийской конференции по биомеханике «Биомеханика 2010» (Саратов, 2010 г.) [37], Международной научно-практической конференции «Управление большими системами» (Москва, 2011) [45], XXV Международной научной конференции математических методов в технике и технологиях (Волгоград, 2012 г.) [48], XI Всероссийской научно-технической конференции «Теоретические и прикладные вопросы современных информационных технологий» (Улан-Удэ, 2012 г.) [85], региональных конференциях молодых исследователей Волгоградской области (Волгоград, 2010-2012 гг.); конференциях профессорско-преподавательского состава ВолГУ (Волгоград, 2009-2012 гг.), научных семинарах ВолГУ и ВолГТУ [49], [50], [51].

Личный вклад автора. Выбор направления исследования определялся совместно с научным руководителем. Результаты получены автором лично. Анализ и интерпретация результатов осуществлялись совместно с научным руководителем.

Публикации. По материалам диссертационной работы опубликовано 10 печатных работ, две из которых в изданиях из списка ВАК РФ [46], [47].

Объем и структура работы. Диссертация изложена на 154 страницах машинописного текста, содержит 8 таблиц, 43 рисунка и состоит из введения, 3 главы, заключение, список использованной отечественной и иностранной литературы, включающий 112 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Веденяпин, Дмитрий Александрович

3.5 Заключение

Перечислим основные выводы, которые можно сделать по результатам работы нейронной сети:

1. В случае построения нейронных сетей для диагностики заболевания по данным термометрии различных органов: а. В качестве входных параметров разумно применять функции, учитывающие физиологию органа, и, предоставляющие высокоинформативные диагностические признаки. Они могут быть получены как в результате экспертного анализа, так и в результате статистической обработки данных.

2. При дифференциальной диагностике более высокую точность дает комбинация отдельных сетей для каждого заболевания с двумя выходами в каждой сети.

3. Архитектура нейронной сети выбирается экспериментально, что является наиболее широко применяемым способом для задач классификации с помощью нейронных сетей.

В результате обучения описанных выше нейронных сетей методом обратного распространения были получены следующие результаты:

При дифференциальной диагностике («ВБ/Норма2/ПТБ/ОВТ») точность нейронной сети составила 66,25%. А точность принятия диагностических решений врачом, использующим данные, полученные в результате использования комплекса составила 95% При диагностике «Норма/Болен» точность составила 92,82%.

Причем, по данным международной согласительной комиссии по хроническим заболеваниям вен нижних конечностей:

• чувстительность физикального обследования при ХВН составляет 43%

• чувствительность нисходящей флебографии в среднем составляет около 85%;

• специфичность около 58%.

Метод дуплекс-сканирования, который в настоящее время считается референс-тестом, имеет:

• чувствительность около 89%;

• специфичность около 76%.

Полученные в работе результаты превышают точность физикального обследования, нисходящей флебографии и метода дуплекс сканирования.

Список литературы диссертационного исследования кандидат технических наук Веденяпин, Дмитрий Александрович, 2013 год

1. Astion M.L., Wener М.Н., Thomas R.G., Hunder G.G., and Bloch D.A. Application of neural networks to the classification of giant cell arteritis // Arthritis and Rheumatism. 1994. Vol. 37. No. 5. pp. 760-770.

2. Barnard E. D.C. Invariance and neural nets. Vol 2. IEEE Transactions on Neural Networks, 1991. 498-508 pp.

3. Barrett A.H., Myers P.C., and Sadowsky N.L., "Detection of breast cancer by microwave radiometry," Vol. 12, 1977. pp. 167-171.

4. Barrett A.H., Myers P.O., "Subcutaneous temperatures a method of noninvasing sensing," Vol. 190, 1975. pp. 669-671.

5. Baxt W.G. Use of an artificial neural network for the diagnosis of myocardial infarction // Annals of Internal Medicine. 1991. No. 11. pp. 843848.

6. Buchman T.G., Kubos K.L., Seidler A.J., and Siegforth MJ. A comparison of statistical and connectionist models for the prediction of chronicity in a surgical intensive care unit // Critical Care Medicine. 1994. Vol. 22. No. 5. pp. 750-762.

7. Burke H.B. Artificial neural networks for cancer research: outcome prediction // Seminars in Surgical Oncology. 1994. Vol. 10. No. 1. pp. 7379.

8. Doyle H.R., Dvorchik I., Metchell S., Marino I.R., Ebert F.H., McMichael J., and Fung J.J. Predicting outcomes after liver transplantation. A connectionist approach // Annals of Surgery. 1994. Vol. 219. No. 4. pp. 408-415.

9. Ebell M.H. Artificial neural networks for predicting failure to survive following in-hospital cardiopulmonary resuscitation // Journal of Family Practice. 1993. Vol. 36. No. 3. pp. 297-303.

10. Fear Е.С., Hagness S.C., and Meaney P.M. Enhancing breast tumor detection with near field imaging // IEEE Microwave Magazine. 2002. Vol. 3. pp. 48-52.

11. Hebb D.O. The Organization of Behavior: A Neuropsychological Theory. New York: Wiley, 1949. 335 pp.

12. Kappen H.J., Neijt J.P. Advanced ovarian cancer. Neural network analysis to predict treatment outcome. // Annals of Oncology. 1993. pp. 3134.

13. Katz A.S., Katz S., Wickham E., and Quijano R.C. Prediction of valve-related complications for artificial heart valves using adaptive neural networks: a preliminary study // Journal of Heart Valve Disease. 1993. Vol. 2. No. 5. pp. 504-508.

14. Katz S., Katz A.S., Lowe N., and Quijano R.C. Neural net-bootstrap hybrid methods for prediction of complications in patients implanted with artificial heart valves // Journal of Heart Valve Disease. 1004. Vol. 3. No. 1. pp. 49-52.

15. Kononenko W. Machine learning for medical diagnosis: history, state of the art and perspective // Artificial Intelligence in Medicine. 2001. pp. 89109.

16. Kulikowski C.A. Artificial intelligence methods and system for medical consultation // IEEE Trans, on Pattern Analysis and Machine Intell. 1980. Vol. 2. No. 5. pp. 464-475.

17. Kurmazenko E.A., Matjushev T.V., Soloshenko N.V., and Dokunin I.V. Детальная имитационная модель терморегуляционной системы человеческого организма // 6th Eur. Symp. Space Envivon. Contr. Syst. 1997. pp. 815-821.

18. Lew R.A., Day C.L., Harrist T.J., Wood W.C., and Mihm M.C. Multivariate analysis: Some guidelines for physicians // Jama. 1983. No. 5. pp. 641-643.

19. Maclin P.S., Dempsey J. How to improve a neural network for early detection of hepatic cancer // Cancer Letters. 1994. Vol. 77. No. 2-3. pp. 95101.

20. Maclin P.S., Dempsey J. Using an artificial neural network to diagnose hepatic masses // Journal of Medical Systems. 1992. Vol. 16. No. 5. pp. 215-225.

21. Markel A., Meissner M.H., Manzo R.A., Bergelin R.O., and Strandness D.E. A comparison of the cuff deflation method with Valsalva's maneuver and limb compression in detecting venous valvular reflux. // Arch Surg. Jul 1994. Vol. 129. No. 7. pp. 701-705.

22. Mayers P.O., Sadowski M.I., and Barrett A.H. Microwave thremography. Principles, methods and clinical applications // Journal of

23. Microwave Power. 1979. Vol. 14. pp. 105-115.

24. Mendel J.M., McLaren R.W., "Reinforcement-learning control and pattern recognition systems," Adaptive,Learning and Pattern Recognition Systems: Theory and Applications, Vol. 66, 1970. pp. 287-318.

25. Pitts W., McCulloch W.S. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. 1943. Vol. 5. pp. 115-133.

26. Ravdin P.M., Clark G.M., Hough J.J., Owens M.A., and McGuire W.L. Neural network analysis of DNA flow cytometry histograms. // Cytometry. 1993. Vol. 14. No. 1. pp. 74-80.

27. Rogers S.K., Ruck D.W., and Kabrisky M. Artificial neural networks for early detection and diagnosis of cancer // Cancer Letters. 1994. Vol. 77. No. 2-3. pp. 79-83.

28. Rosenblatt F. Principles of Neurodynamics. Washington: DC: Spartan Books, 1962. 616 pp.

29. Rosenblatt F., "The Perceptron: A probabilistic model for information storage and organization in the brain," Psychological review, Vol. 65, 1958. pp. 386-408.

30. Sharpe P.K., Solberg H.E., Rootwelt K., and Yearworth M. Artificial neural networks in diagnosis of thyroid function from in vitro laboratory tests // Clinical Chemistry. 1993. Vol. 39. No. 11. pp. 2248-2253.

31. Szolovits P., Pauker S.G. Categorical and probabilistic reasoning in medical diagnosis // Artificial intelligence. 1978. Vol. 11. pp. 115-144.

32. Tu J.V., Guerriere M.R. Use of a neural network as a predictive instrument for length of stay in the intensive care unit following cardiac surgery // Computers and Biomedical Research. 1993. Vol. 26. No. 3. pp. 220-229.

33. Wilding P., Morgan M.A., Grygotis A.E., Shoffner M.A., and Rosato E.F. Application of backpropagation neural networks to diagnosis of breast and ovarian cancer // Cancer Letters. 1994. Vol. 77. No. 2-3. pp. 145-153.

34. Авдеева B.M., Крючкова И.Н. Обработка статистических данных и определение состава входов нейросети в процессе формирования информационной базы для прогнозирования // Территория науки. 2007. №2(3). С. 196-204.

35. Алексеева О.В., Россиев Д.А., Ильенкова Н.А. Применение искусственных нейронных сетей в дифференциальной диагностике рецидивирующего бронхита у детей // Сибирское медицинское обозрение. 2010. Т. 66. № 6. С. 75-79.

36. Анисимова Е.В., Веденяпин Д.А., Замечник Т.В., Ларин С.И., Лосев А.Г., Черкасов А.С. Интеллектуальная система комбинированной термометрии диагностики варикозных заболеваний1.BIIKI HlllIVKlii

37. Тезисы докладов X Всероссийской конференции "Биомеханика-2010". Саратов. 2010. С. 25-26.

38. Анисимова Е.В., Замечник Т.В., Лосев А.Г., Мазепа Е.А. О некоторых характерных признаках в диагностике венозных заболеваний нижних конечностей методом комбинированной термометрии // Вестник новых медицинских технологий. 2011. Т. XVIII. № 2. С. 329-330.

39. Аравин О.И. Применение искуственных нейронных сетей для анализа патологий в кровеносных сосудах // Российский журнал биомеханики. 2011. Т. 5/3. С. 53.

40. Вайсблат A.B. Радиотермография как метод диагностики в медицине. Москва: НЦЗД РАМН, 2003. 80 с.

41. Вакс В.Л., Гайкович К.П., Резник А.Н. Ближнее поле теплового радиоизлучения и возможности его использования для глубинной температурной диагностики сред // Известия высших учебных заведений. Радиофизика. 1988. Т. 31. С. 1104-1112.

42. Веденяпин Д.А., Лосев А.Г. Нейросети в диагностике венозных заболеваний // Мультиконференция управление большими системами 2011. Москва. 2011. Т. 3. С. 115-119.

43. Веденяпин Д.А., Лосев А.Г. Об одной нейросетевой модели диагностики венозных заболеваний // Управление большими системами. 2012. № 39. С. 219-229.

44. Веденяпин Д.А., Лосев А.Г. Применение искусственных нейронных сетей в диагностике венозных заболеваний // Вестникновых едицинких технологий. 2012. Т. XIX. № 2. С. 241-242.

45. Веденяпин Д.А. Использование байесовского классификатора с инвариантными признаками в диагностике венозных заболеваний // XVII региональная конференция молодых исследователей Волгоградской области. Волгоград. 2012. С. 8-11.

46. Веденяпин Д.А. Нейросети в экспертном диагностическом комплексе комбинированной термометрии // XV конференция молодых исследователей Волгоградской области. Волгоград. 2010. С. 3.

47. Веденяпин Д.А. Разработка экспертного комплекса диагностики заболеваний нижних конечностей // Материалы научной сессии. Волгоград. 2010. Т. 6. С. 98-101.

48. Веснин СГ, "Антенна-аппликатор и устройство для опеределения температурных изменений внутренних тканей биологического объекта и способы определения температурных изменений и выявления риска рака," 2407429, 2010.

49. Власов В.В. Эффективность диагностических исследований. М. 1998. 246 с.

50. Генфальд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей. М.: Едиториал УРСС, 2005. 320 с.

51. Гланц С. Медико-биологическая статистика. М. 1998. 459 с.

52. Головин П.А., Нечаев В.А., Нечаев Д.А. Экспертные системы для классификации болезней в медицинской диагностике // Биотехнические измерительно-вычилительные системы. 2006. № 29. С. 80-84.

53. Густов А.Е., Гусев Е.И., Нифонтова JI.M. Энцефалорадиотермометрия в диагностике ранних стадий сосудисто-мозговой недостаточности // Невропатология и психиатрия им. С.С. Корсакова. 1989. Т. 89. № 9. С. 27-31.

54. Джонсон С. С., Гай А.В. Воздействие неионизирующегоэлектромагнитного излучения на биологические среды и системы // ТИИЭР. 1972. Т. 60. № 6. С. 49-82.

55. Думлер A.A., Полещук А.Н., Богданов К.В., Черепанов Ф.М., Ясницкий JI.H. Опыт создания нейросетевой системы для диагностики сердечно-сосудистых заболеваний // Вестник пермского университета. 2011. № 1(5).

56. Замечник Т.В., Ларин С.И., Лосев А.Г., Овчаренко Н.С. Способ комбинированной термометрии и математические модели вероятностной диагностики заболеваний вен нижних конечностей // Вестник новых медицинских технологий. 2009. Т. XVI. № 4. С. 14-16.

57. Замечник Т.В., Ларин С.И. Возможности термографии в диагностике варикозной болезни нижних конечностей // Флебология. 2009. №3. С. 10-14.

58. Заратуйченко И.К., Кузнец Е.И., Малкиман И.И., Утехин Б.А. Использование математической модели для оценки теплового режима работающих в неблагоприятных условиях // Мед. Катастроф. 3-4 1994. С. 142-145.

59. Иванов К.П., Минут-Сорохтина О.П., Майстрах Е.В. Физиология терморегуляции. Л: Наука, 1984. 470 с.

60. Кириенко А.И., Богачев В.Ю., Гаврилов С.Г. Хронические заболевания вен нижних конечностей у работников промышленных предприятий г. Москвы. Результаты эпидемиологического исследования // Ангиол. и сосуд хир. 2004. Т. 10. № 1. С. 77.

61. Кобринский Б.А., Фельдман А.Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах // Новости искусственного интеллекта. 1995. № 3. С. 90-96.

62. Кобринский Б.А. Автоматизированные диагностические и информационно-аналитические системы в педиатрии // Русский медицинский журнал. 1999. Т. 7. № 4. С. 186-190.

63. Кобринский Б.А. Извлечение экспертных знаний: групповой вариант // Новости искусственного интеллекта. 2003. № 3. С. 58-66.

64. Кобринский Б.А. К вопросу о формальном отражении образного мышления и интуиции специалиста в слабо структурированной предметной области // Новости искусственного интеллекта. 1998. № 3. С. 64-76.

65. Кобринский Б.А. К проблеме машинного распознавания наследственных болезней // Специализированная медицинская помощь детям с наследственной патологией. 1981. № 16. С. 153-158.

66. Кобринский Б.А. Консультативные интеллектуальные медицинские системы: классификации, принципы построения, эффективность // Врач и информационные технологии. 2008. Т. 2. С.38.47.

67. Кобринский Б.А. Логика аргументации в принятии решений в медицине // НТИ. 2001. Т. 2. № 9. С. 1-8.

68. Кобринский Б. А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта. № 2. С. 617.

69. Кобринский Б. А. Системы искусственного интеллекта в медицине: Состояние, проблемы и перспективы // Новости искусств, интеллекта. 1995. № 2. С. 65-79.

70. Колесов СН, "Полидиапазонная пассивная локация теплового излучения человека в диагностике поражений центральной и периферической нервной системы," Москва, Диссертация на соискание ученой степени доктора медицинских наук 1993.

71. Комаровских E.H. Нейросетевая диагностика и пронозирование при глаукоме // Сибирское медицинское обозрение. 2006. Т. 42. № 5. С. 17-20.

72. Комов Д.В., Ожерельев A.C., Терентьев И.Г., Малыгин A.A., Ориновский М.Б. Радиотермометрия в комплексной диагностике доброкачественных новообразований и рака молочной железы // Вестник РОНЦ им. Н. Н. Блохина РАМН. 1992. Т. 3. № 1. С. 31-33.

73. Краус Д. Радиоастрономия. Москва: Советское радио, 1973. 456 с.

74. Ларин С.И., Замечник Т.В., Андриянов А.Ю. Методические рекомендации по применению комбинированной термографии нижних конечностей у больных с хронической венозной недостаточностью. Волгоград. 2011. 28 с.

75. Ларин С.И., Замечник Т.В., Андриянов А.Ю. Методические рекомендации по применению комбинированной термографии у больных с отеками нижних конечностей для исключения диагноза острого венозного тромбоза вен нижних конечностей. Волгоград. 2011. 28 с.

76. Ларин С.И., Мазепа Е.А., Овчаренко Н.С., Стерн H.A., Андриянов А.Ю. Методика обследования нижних конечностей с использованием метода комбинированной термографии // Материалы 1-го съезда амбулаторных хирургов РФ. 2004. С. 119.

77. Ларин С.И., Мазепа Е.А., Овчаренко Н.С., Стерн H.A.,

78. Андриянов А.Ю. Методика обследования нижних конечностей с использованием метода комбинированной термографии // Материалы 1-го съезда амбулаторных хирургов РФ. 2004. С. 119.

79. Линник Ю.В. Метод наименьших квадратов и основы теории обработки наблюдений. Москва. 1958. 337 с.

80. Лосев А.Г., Анисимова Е.В., Веденяпин Д.А., Ставров Т.А. Интеллектуальный комплекс диагностики венозных заболеваний // Теоретические и прикладные вопросы современных информационных технологий: тез. докл. науч. конф. Улан-Удэ. 2012. С. 72-74.

81. Лосев А.Г., Ставров Т.А. Об одном алгоритме классификации в методе комбинированной термометрии диагностики венозных заболеваний // Естественные и технические науки. 2011. № 5. С. 268270.

82. Мазайшвили К.В., Чен В.И. Распространенность хронических заболеваний вен нижних конечностей в Петропавловске-Камчатском // Флебология. 2008. Т. 2. № 4. С. 52-54.

83. Марчук Г.И. "Методы вычислительной математики". М.: Наука, 1977. 456 с.

84. Медведев В.С., Потемкин В.Г. Нейронные сети. МАТЬАВ 6. 496 с.

85. Миркес Е.М. Нейрокомпьютер: проект стандарта // Наука. 1998. С. 337.

86. Мустафин Ч.К. Исследования температуры злокачественных опухолей молочной железы // Вестник медицинских технологий. 2007. Т. XIV. № 2. С. 72-75.

87. Мустафин Ч.К. Компьютеризированная радиотермометрия в диагностике злокачественных опухолей молочной железы // Медицинская визуализация. 2006. № 5. С. 109-113.

88. Мустафин Ч.К. Радиотермометрические основы исследования молочных желез // Медицинская визуализация. 2006. Т. 3. С. 32-38.

89. Ноздрачев А.Д., Баженов Ю.И., Баранникова И.А. Начала физиологии: Учебник для вузов. СПб: Лань, 2001. 1088 с.

90. Пирогова И.Ю., Пышкин С.А., Болотов А.А. Применение нейронных сетей в диагностике стадий хронической инфекции вирусами гепатитов В и С // Уральский медицинский журнал. 2011. Т. 06. № 84. С. 37-40.

91. Планк М. К теории распределения энергии излучения нормального спектра // В кн.: Макс Планк. Избранные труды / ред. Планк М. Москва: Наука, 1975. С. 251-258.

92. По дольная М.А., Таперова Л.Н. Особенности проектированиямедицинских диагностических систем // Информационные технологии в здравоохранении. 2002. Т. 8. № 10. С. 10-11.

93. Райгородская Т.Г., Перцов О.Л., Кошелев В.Н. Динамика локальных термоаппликаций у больных с поражением периферических нервов верхних конечностей // Тезисы доклада Всесоюзной конференции "ТеМП-85". 1985. С. 136-137.

94. Резник А.Н., Юрасова Н.В. Обнаружение контрастных образований внутри биологических сред при помощи ближнепольной СВЧ-диагностики // Журнал теоретической физики. 2006. Т. 76. С. 90104.

95. Савельев И.В. Курс общей физики. Книга 5. Спб: Астрель, 2001. 368 с.

96. Сбоев А.Г., Горохова С.Г., Черний H.H. Разработка нейросетевой методики раннего диагностирования ишемической болезни сердца и коронарного атеросклероза // Вестник Воронежского государственного университета. 2011. Т. 2. С. 204-213.

97. Соловов В.А., Фролова И.Г. Использование логистических регрессий и нейронных сетей в выявлении рака предстательной железы // Сибирский онкологический журнал. 2006. Т. 1.

98. Троицкий B.C., Густов A.B., Белов И.Ф. О возможности использования собственного теплового СВЧ радиоизлучения тела человека для измерения температуры его внутренних органов: результаты и перспективы // Успехи физических наук. 1981. Т. 134.

99. Тун 3.3., Филист С.А. Искусственная нейронная сеть на основе радиальных базисных функций для классификации кардиоциклов электрокардиосигналов // Известия Южного федерального университета. Технические науки. 2010. Т. 109. № 8. С. 80-85.

100. Хайкин С. Нейронные сети: Полный курс. Второе издание. 2006. 42-48,194-204, 225-243 с.

101. Хардиков A.B. Возможности радиотермометрии в дифференциальной диагностике тазового болевого синдрома ивариантов хронических сальпингоофоритов // Вестник новых медицинских технологий. 2009. Т. 16. № 2. С. 150-151.

102. Царегородцев В.Г. Оптимизация предобработки данных: константа Липшица обучающей выборки и свойства обученных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2003. № 7.С. 3-8.

103. Черкашин М.А., Андрияшкин A.B. Варикозная болезнь нижних конечностей. Общие вопросы диагностики и лечения // Русский медицинский журнал. 2008. № 14. С. 968-971.

104. Ярушкина Н.Г., Вельмисов А.П., Стецько A.A. Нечеткие гибридные системы в задачах интеллектуального анализа данных // Десятая национальная конференция по искусственному интеллекту с международным участием: Труды конференции. 2006. Т. 2. С. 408-415.кО