Интеллектуализация процессов принятия врачебных решений в рамках биотехнической системы диагностики и лечения пульмонологических заболеваний тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Васильченко Владислав Алексеевич

• Васильченко Владислав Алексеевич
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Васильченко Владислав Алексеевич

ВВЕДЕНИЕ

ГЛАВА 1 АНАЛИЗ СОВРЕМЕННЫХ ПОДХОДОВ К ДИАГНОСТИКЕ ЛЕЧЕНИЯ ПУЛЬМОНОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ НА БАЗЕ ПРОГРАММНО-АППАРАТНЫХ КОМПЛЕКСОВ КОНТРОЛЯ СОСТОЯНИЙ ПАЦИЕНТОВ

1.1 Проблематика процессов диагностики и лечения пульмонологических заболеваний в условиях неопределенности

1.2 Обзор математических методов принятия врачебных решений с учетом специфики легочных заболеваний

1.3 Выбор архитектуры вычислительной системы

1.4 Структура экспертной системы принятия решений

1.5 Цель работы и задачи исследования

Выводы

ГЛАВА 2 ПРОБЛЕМНО-ОРИЕНТИРОВАННАЯ БАЗА ЗНАНИЙ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ

2.1 Информационная модель пациента

2.2 Информационная модель лечебно-диагностического процесса, как объекта автоматизации

2.3 Информационная модель лабораторных диагностических исследований

2.4 Информационная модель принятия врачебных решений

2.5 Информационная модель ведения тактики лечения

2.6 Нейросетевая модель процесса диагностики на основе данных лабораторного анализа

2.7 Проектирование базы знаний для биотехнической системы лечения и диагностики заболеваний легких

Выводы

ГЛАВА 3 АЛГОРИТМИЗАЦИЯ ПРОЦЕССА РАСПОЗНАВАНИЯ ВИДА ЛЕГОЧНЫХ ПАТОЛОГИЙ НА ОСНОВЕ ДАННЫХ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ

3.1 Нейросетевая модель распознавания

3.2 Алгоритм цифровой обработки снимков компьютерного томографа

3.3 Графическая модель распознавания объекта

Выводы

ГЛАВА 4 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ БИОТЕХНИЧЕСКОЙ СИСТЕМЫ ДИАГНОСТИКИ И ЛЕЧЕНИЯ ЗАБОЛЕВАНИЙ ЛЕГКИХ НА БАЗЕ КОМПЬЮТЕРНОГО ТОМОГРАФА

4.1 Структура программного комплекса интеллектуализации принятий решений

4.2 Пользовательский интерфейс

4.3 Анализ работы биотехнического комплекса

Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Интеллектуализация процессов принятия врачебных решений в рамках биотехнической системы диагностики и лечения пульмонологических заболеваний»

ВВЕДЕНИЕ

Актуальность темы исследования. В настоящее время практикующим врачам для повышения качества и уровня лечения необходимо иметь возможность работы с обширным объемом знаний, которые хранятся в информационных базах данных. Однако такое огромное количество информации обработать самостоятельно без использования специализированного программного обеспечения, которое значительно повышает эффективность выбора методик лечения заболеваний человека.

В современной медицине одним из первостепенных и основополагающих направлений в области диагностики является разработка средств обработки данных, получаемых с помощью специализированных биотехнических комплексов, в том числе компьютерной томографии. Введение в клиническую практику компьютерной томографии значительно повысило качество и эффективность лучевого исследования внутренних органов человека. Однако возможности высокоразрешающей и спиральной компьютерной томографии не в полной мере используются в современной медицине. Объективная оценка состояния органов человека возможна лишь у больных с тяжелой и в ряде случаев среднетяжелой формой заболевания. Точная диагностика поражения органов со средней или легкой формой крайне сложна вследствие того, что очаги заболевания не имеют явных структурных изменений, которые врач-диагност может определить человеческим глазом. В то же время возможности современной вычислительной техники позволяют проводить тонкий анализ рентгеновских снимков компьютерного томографа на основе баз знаний с вероятностью, превышающей 99% (Carl-Magnus Svenssоn; Sоlveigh Krusetopf; Jоrg L^ke 2014).

Состояние проблемы. Теоретическим и практическим вопросом использования данных аппаратных комплексов диагностики в процессе лечения

хронический заболеваний посвящены работы таких авторов, как Бурковский В. Л., Кореневский Н. А., Подвальный С. Л., А. Крижевский, И. Суцкевер и Д. Хинтон, Иващук О. А., Филист С. А., Белов С. П., Еременко В. Т.

Вместе с тем данные машинной диагностики не используются в полном объеме в условиях хронических заболеваний легких. По данным ВОЗ на январь 2017 года от хронической обструктивной болезни легких в 2015 г. умерли 3,2 млн. человек, а от рака легких (наряду с раком трахеи и бронхов) - 1,7 млн. человек. Поэтому задача разработки программных средств обнаружения паталогических изменений на первых стадиях по данным мультиспиральных компьютерных томографов и их дальнейшая интеграция в рамках единого комплекса диагностики и лечения пульмонологических заболеваний имеет важное практическое значение. Это обуславливает необходимость проведения дополнительных исследований в области создания биотехнических систем, интегрирующих в себя программно-аппаратные средства диагностики и лечения хронических и острых заболеваний легких, реализующих средства интеллектуализации процессов принятия врачебных решений.

В этой связи актуальность темы диссертационной работы продиктована высокой практической значимостью проведении исследований, связанных с разработкой биотехнических систем, базирующихся на средствах интеллектуализации процессов высокоточной диагностики и выбора рациональной тактики лечения легочных заболеваний.

Научно-технической задачей исследования является разработка алгоритма диагностики заболеваний легких, повышающего эффективность и качество принятия врачебных решений при диагностике и лечении пульмонологических заболеваний.

Диссертация выполнена в соответствии с основным научным направлением ФГБОУ ВПО «Воронежский государственный технический университет»

«Вычислительные комплексы и проблемно-ориентированные системы управления».

Цель и задачи исследования. Целью диссертационной работы является повышение эффективности и качества принятия врачебных решений в рамках биотехнической системы диагностики и лечения пульмонологических заболеваний на основе разработки средств интеллектуализации процессов обработки данных компьютерной томографии и проблемно-ориентированной базы знаний.

Для достижения поставленной цели необходимо решение следующих задач:

- разработка функциональных компонентов биотехнической системы диагностики и лечения пульмонологических заболеваний на основе интеллектуализации процессов обработки данных компьютерной томографии и объектно-ориентированной базы знаний;

- разработка объектно-ориентированный базы знаний, включающей продукционные альтернативные модели принятия решений по выбору рациональной тактики ведения пульмонологических больных;

- разработка алгоритма цифровой обработки снимков компьютерного томографа;

- разработка алгоритма интеллектуализации процесса обработки снимков компьютерного томографа, как основы для принятия врачебных решений по диагностике заболеваний легких;

- разработка алгоритма обучения сверточной нейросетевой модели обработки данных компьютерной томографии;

- разработка алгоритма диагностики заболеваний легких на основе нейросетевой модели ANFIS, предназначенной для анализа данных лабораторных исследований;

- разработка программного обеспечения процедур интеллектуализации принятия решений в рамках биотехнической системы диагностики и лечения пульмонологических заболеваний.

Соответствие диссертации паспорту специальности.

П. 9 Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических объектов.

П. 12 Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.

П. 13 Методы получения, анализа и обработки экспертной информации.

Научная новизна. На защиту выносятся следующие результаты диссертации, отличающиеся научной новизной:

- с позиции системной методологии предложены функциональные компоненты биотехнической системы диагностики и лечения пульмонологических заболеваний, отличающиеся реализацией средств интеллектуализации процессов обработки данных компьютерной томографии и объектно-ориентированной базы знаний;

- разработана объектно-ориентированная база знаний, отличающаяся реализацией объектов, позволящих определять вид терапевтического воздействия и объектов, определяющих схему лечения (по устанавливаемым дозам и времени приема лекарственных средств), а также отличающаяся продукционными моделями формирования альтернативных вариантов принятия решений;

- разработан алгоритм диагностики заболеваний легких, отличающийся использованием гибридной нейросетевой модели и анализа данных лабораторных исследований;

- предложен алгоритм цифровой обработки снимков компьютерного томографа, отличающийся реализацией возможностей сверточной нейронной сети, позволяющий оказывать помощь в формировании и принятии врачебных решений;

- разработан алгоритм обучения сверточной нейронной сети, отличающейся реализацией средств повышения оперативности процесса обучения.

Теоретическая и практическая значимость работы. Предложенные в работе алгоритмы цифровой обработки рентгеновских снимков и диагностики заболеваний легких, а также средства их информационной поддержки реализованы в виде специального программного комплекса, ориентированного на реализацию в рамках действующих клинических систем.

Разработанное программное обеспечение диагностики и выбора тактики лечения заболеваний легких на основе интеграции программно-аппаратного комплекса компьютерной томографии и объектно-ориентированной базы знаний может быть использовано как в медицинских учреждениях, так и при проведении научных исследований, а также в учебном процессе.

Реализация результатов работы для решения задач дифференциальной диагностики легочных заболеваний позволяет значительно повысить эффективность диагностических мероприятий.

Реализация и внедрение результатов работы. Теоретические результаты диссертационной работы внедрены в учебный процесс на кафедре «Электропривода, автоматики и управления в технических системах» ФГБОУ высшего образования Воронежского государственного технического университета, Материалы работы в виде компонентов биотехнического комплекса диагностики и лечения заболеваний легких на основе алгоритмов цифровой обработки результатов компьютерной томографии используются в работе пульмонологического отделения Воронежской областной клинической больницы №1, а также в рамках программного обеспечения аппаратного комплекса диагностики урологических заболеваний в Воронежской городской клинической больнице скорой медицинской помощи №10 в качестве модуля цифровой обработки снимков компьютерной томографии.

Методология и методы исследования. Для решения поставленных задач использовались методы: теории биотехнических систем медицинского назначения, теория распознавания образов, теории системного анализа, математического моделирования, теория построения объектно-ориентированных баз данных и знаний, теория нейронных сетей. Программное средство было разработано в среде Miсrоsоft Visual Studw C# с использованием крупнейший библиотеки машинного распознавания образов EMGU CV.

Положения, выносимые на защиту.

1. Экспертный алгоритм обеспечивает оперативный анализ данных объектно-ориентированной базы знаний с формированием информации о медицинских препаратах в рамках медикаментозной схемы лечения.

2. Нейросетевая модель анализа данных лабораторных исследований обеспечивает подготовку заключения о необходимости медикаментозного лечения.

3. Алгоритм диагностики заболеваний легких, базирующийся на сверточной нейронной сети, позволяет осуществлять оперативный анализ данных КТ легких и предполагает определение количественной оценки вероятности возможности легочного заболевания.

Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость аналогичным результатам, полученным другими исследователями в области интеллектуальных систем медицинского назначения. Результаты экспериментальных исследований решающих правил по диагностике легочных заболеваний согласуются с ранее опубликованными экспериментальными данными по теме диссертации. Результаты исследования показали, что предлагаемые модели и информационные технологии могут быть рекомендованы для прогнозирования оперативных медицинских рисков. Основные положения и научные результаты диссертации докладывались и обсуждались на следующих конференциях,

семинарах и совещаниях: IV Международная конференция «Современные методы прикладной математики, теории управления и компьютерных технологий» (ПМТУКТ-2016), XIII Международная научно-техническая конференция «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (РАСПОЗНАВАНИЕ - 2017), X Международная конференция «Современные методы прикладной математики, теории управления и компьютерных технологий» (ПМТУКТ-2017), XIV МЕЖДУНАРОДНАЯ НАУЧНО-ТЕХНИЧЕСКАЯ КОНФЕРЕНЦИЯ «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (РАСПОЗНАВАНИЕ — 2018), научно-методических семинарах кафедры электропривода, автоматики и управления в технических системах Воронежского государственного технического университета (2012-2018 гг).

Публикации. По материалам диссертации опубликовано 12 научных работ, в том числе одна в SCOPUS, три - в изданиях, рекомендованных ВАК РФ.

В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежит: в [3, 4] анализ объектно-ориентированных СУБД медицинских систем; [1, 2, 7, 8, 9, 10, 11] алгоритмы цифровой обработки рентгеновских снимков компьютерного томографа; [6] модели принятия решений по выбору рациональной тактики лечения больных.

Патенты. В ходе работы над диссертацией был получен патент на экспертную систему диагностики и лечения заболеваний легких.

Структура и объем работы. Диссертация состоит из введения, четырех глав с выводами, заключения, приложения и списка литературы из 152 наименований. Основная часть работы изложена на 150 страницах, содержит 43 рисунка и 15 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертационной работы, сформулированы цель и задачи исследования, изложены основные научные положения, определена практическая значимость, приведены сведения об апробации и внедрении работы.

В первой главе представлены результаты анализа современных биотехнических систем диагностики и комплексного лечения патологических заболеваний. Приведены основные методы построения программных комплексов, повышающих эффективность проведения мероприятий по повышению качества медицинской помощи и услуг.

Приведен обзор математических методов принятия врачебных решений в условиях лечения легочных заболеваний. Разработана базовая структура биотехнической системы, а также информационного взаимодействия ее структурных компонентов в рамках аппаратного и программного комплексов.

Отмечена практическая важность методов диагностики заболеваний легких на основе моделей нейросетевого анализа данных лабораторных исследований.

С критических позиций рассмотрены методы построения объектно-ориентированных и объектно-реляционных баз знаний на основе моделей представления знаний, проблемной области и поставленной задачи.

Произведен обзор типичных пульмонологических заболеваний. Отмечены особенности методов диагностики пневмонии, гипоксии, гистоплазмоза, бронхиальной астмы, в качестве основных методов рассмотрены ультразвуковое исследование и компьютерная томография.

На основании проведенного анализа проблематики процессов диагностики и принятия решений в пульмонологической области сформулированы цели и задачи диссертационного исследования.

Во второй главе рассмотрены вопросы, посвященные разработке проблемно-ориентированной базы знаний принятия врачебных решений. В ходе произведенного анализа были разработаны следующие информационные модели: модель пациента, модель медико-лабораторных исследований, модель диагностических исследований, модель цифровой обработки рентгеновских снимков, модель принятия врачебных решений, модель ведения тактики лечения.

Знания об объекте пульмонологии предлагается систематизировать в виде продукционной базы знаний.

Разработанная информационная система обеспечивает: ввод, редактирование и хранение данных о современных медицинских препаратах; ввод, редактирование и хранение данных о пациентах; ввод, редактирование и хранение цифровых моделей рентгеновских снимков; диагностику легочного заболевания у пациента на основе соответствующих симптомов; просмотр истории болезни пациента; проверку эффективности назначенного метода лечения.

В работе также представлен алгоритм диагностики заболеваний легких на основе данных лабораторного анализа. Требуется оценка исследований мочи, крови, плевральной жидкости и биохимии. В результате возникает задача классификации, которая состоит в отнесении объекта, заданного вектором информативных признаков в виде результатов анализов, к одному из классов: «Необходимо лечение с помощью лекарственных препаратов» или «Медикаментозное лечение не требуется». Данную задачу можно решить за счет реализации нейронечетких моделей, относящихся к классу гибридных систем, построение которых осуществляется на базе нечеткой логики, нейронных сетей и генетического алгоритма. Для ее обучения необходимо учитывать большое количество параметров и накопительный объем информации, что приводит к усложнению построения модели.

Обучение гибридной нейронной сети происходило методом обратного распространения ошибки. Задача разработанной сети заключается в определении необходимости применения лекарственных препаратов.

Третья глава посвящена интеллектуализации процесса распознавания вида легочных патологий на основе данных биотехнической системы компьютерной томографии. Предложена сверточная нейросетевая модель процесса распознавания и алгоритм цифровой обработки снимков компьютерного томографа.

Сложность алгоритма заключается в том, что не существует универсального подхода для выбора типа и структуры нейронной сети. В рамках экспертной системы предлагается использовать сверточную нейронную сеть.

Искусственная нейронная сеть обучалась с помощью алгоритма обратного распространения ошибки [86], [87], [88]. В ходе исследования было выявлено, что рост числа нейронов в скрытом слое значительно увеличивает количество итераций, которые необходимы для обучения искусственной нейронной сети [89], [90].

Алгоритм сверточной нейронной сети Chexnet, который разработали ученые из Стэнфордского университета, локализует патологии, идентифицируя их с помощью карт активации класса, которые выделяют области на снимке наиболее важные для классификации конкретных патологий [68]. Возникла идея его адаптации под более современные рентгеновские снимки органов - снимки компьютерной томографии, которые получают с помощью сложного программно-технического комплекса, имеющего сверхчувствительные детекторы для регистрации рентгеновского излучения, рентгеновские излучатели, обширный пакет программного обеспечения, позволяющий получить снимки с высоким пространственным разрешением.

За основу был взят алгоритм сверточной сети Densenet, глубина которого составляет 201 слой. В него были внесены изменения в виде применения функции активации ReLU (сокращение от англ. reGtified linear unit), которая позволяет

существенно ускорить процесс обучения и одновременно с этим значительно упростить вычисления (за счёт простоты самой функции). По состоянию на 2017 год эта функция и её модификации (№isy ReLU, Leaky ReLU и другие) являются наиболее часто используемой функцией активации в глубоких нейросетях, в частности свёрточных.

Диагностика легочных заболеваний является задачей бинарной классификации рентгеновских снимков, где на вход подается изображение легких

X, а на выходе бинарные значения y Е , которые указывают на отсутствие или наличие заболевания соответственно.

Реструктурированная базовая сверточная нейронная сеть Densenet-201 представляет собой свернутую нейронную сеть на 201 слой, которая получает снимок КТ легких и выводит вероятность легочного заболевания с тепловой картой, локализующей области изображения, наиболее показательные для пневмонии. Обучение сети происходило на современном наборе снимков SIMBA, который включает в себя 20 000 документированных снимков, содержащих детальную медицинскую информацию о каждом из них, в том числе описание заболевания с указанием очага на снимке. Использовались методы глубокого обучения и bateh nоrmalizatiоn для оптимизации разрабатываемой сверочной нейронной сети.

В результате модифицированный алгоритм был протестирован на снимках компьютерного томографа легочных долей человека. Обучение проводилось на обработанных изображениях разрешением 224^224 пикселей. Объем обучающей выборки составил 15000 изображений от 50 пациентов. Обучение нейронной сети производилось методом обратного распространения ошибки, заключающийся в повороте ядра на 180 градусов и скользящем процессе сканирования сверточной карты дельт с измененными краевыми эффектами. Искусственная нейронная сеть обучалась с помощью алгоритма обратного распространения ошибки. В ходе

исследования было выявлено, что рост числа нейронов в скрытом слое значительно увеличивает количество итераций, которые необходимы для обучения искусственной нейронной сети. Однако результат работы алгоритма улучшается не значительно.

В результате работы нейронной сети получается обработанное изображение компьютерного томографа, на которое нанесена тепловая карта с зелеными/желтыми/красными оттенками, указывающими на положительный прогноз заболевания и синими/фиолетовыми - если заболевание на рассматриваемом участке снимка КТ не обнаружено.

В четвертой главе на основе предложенных алгоритмов и моделей разработано программное обеспечение процедур интеллектуализации принятия решений в рамках биотехнической системы диагностики и лечения пульмонологических заболеваний.

Для проверки и тестирования экспертной системы была использована база изображений одного из медицинских учреждений Воронежа.

Разработанное программное обеспечение в рамках биотехнической системы позволяет производить диагностику заболеваний легких на основе данных лабораторного анализа и компьютерного томографирования, а также уменьшает трудоемкость принятия эффективных терапевтических решений.

ГЛАВА 1 АНАЛИЗ СОВРЕМЕННЫХ ПОДХОДОВ К ДИАГНОСТИКЕ ЛЕЧЕНИЯ ПУЛЬМОНОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ НА БАЗЕ ПРОГРАММНО-АППАРАТНЫХ КОМПЛЕКСОВ КОНТРОЛЯ

СОСТОЯНИЙ ПАЦИЕНТОВ

1.1 Проблематика процессов диагностики и лечения пульмонологических заболеваний в условиях неопределенности

Современная медицина отличается рядом высокотехнологических методов, благодаря которым становится возможным проведение точных исследований в области диагностики заболеваний [1]. Главной задачей любого диагностического исследования является определение количественной взаимосвязи между набором выявленных признаков (анализов, симптомов заболевания, лучевых исследований) и определенной нозологической единицей, иными словами, выявление информативности каждого признака, а также количество возможных комбинаций для определенного заболевания или патологического процесса [2].

Следует отметить, что существуют несколько направлений диагностики заболеваний. Так, существует множество научных работ, основанных на результатах лабораторных исследований и посвященных дифференциальной диагностики заболеваний, а также новым методам их лечения [3].

Другим направлением исследований является ультразвуковое исследование -это современный и безболезненный метод выявления состояния и патологии внутренних органов.

Также закрепившимся в медицине методом первичной диагностики патологических изменений легких является рентгенологическое исследование (рентгенография, флюорография, продольная томография).

Однако не смотря на повышение качества и точности рентгенологического оборудования, а также на разработку новых методологических подходов

дифференциальной диагностики легких, количество ошибок в определении природы заболеваний составляет от 15 до 30 % (Алексеева Т.Р., с соавт.,1995; Варнавская Т.В., Чеберяк В.Л., 1991; Соколов В.А., с соавт.,1996; Armstrong Р., 1995; Gоriсh J., Et=al1990).

Однако рентгенологическая диагностика легких находится на пределе своего развития. Новый метод исследования - компьютерная томография в разы превосходит рентгенологическое исследование по объему и качеству получаемой диагностируемой информации (Позмогов А.И., с соавт.,1992; Портной Л.М. с соавт., 1995; Khan A., et al. 1985; Kim J., et al. 1999).

Отсутствие суммационного эффекта, высокая структурная и тканевая проработка изображения при этом методе исследования дают возможность точнее определить локализацию патологического образования, его размеры и плотность, взаимоотношение с окружающими органами и тканями. В свою очередь, это позволяет определить еще на раннем этапе заболевания, является ли выявленное образование злокачественным. Данный признак в ходе рентгенологического исследования распознать крайне трудно.

Точность компьютерной томографии в дифференциальной диагностике образований легких составляет от 92 до 98% [6]. Однако при компьютерной томографии при малых размерах очага образования (менее 3 см) вызывает затруднение разграничение таких заболеваний, как туберкулеза и рака, полостной форма рака и абсцесса, хондрогамартомы, солитарного метастаза, туберкуломы и рака.

Несмотря на этот недостаток, анализ литературы показал, что диагностические возможности компьютерной томографии далеко не исчерпаны, имеют ряд преимуществ и являются перспективным направлением исследования заболеваний легких.

Применение в медицине автоматизированных систем дает возможность решать различные задачи: от выявления незначительных хронических или острых патологий до мультипараметрического анализа изучаемого объекта [7].

Существующие в настоящее время информационные комплексы автоматизированной диагностики легочных заболеваний оказываются, в большинстве случаев, недостаточными эффективными в практическом применении [9, 10].

Исследования отечественных и зарубежных ученых в областях, связанных с анализом и обработкой информации, а также с управлением сверхсложными объектами, подтверждают необходимость разработки интеллектуальных проблемно-ориентированных систем, обеспечивающих эффективную поддержку принятия решений при высоком уровне влияющих факторов [11, 12].

Таким образом, можно сделать вывод о том, что изучение возможностей повышения эффективности дифференциальной диагностики легких с использованием программно-аппаратных комплексов является актуальным и чрезвычайно перспективным направлением научного поиска.

Достоверная диагностика заболеваний легких необходима для постановки точного диагноза и назначения верного лечения. Эта диагностика включает в себя ряд специфических инструментальных способов обследования органов дыхания.

Список литературы диссертационного исследования кандидат наук Васильченко Владислав Алексеевич, 2019 год

СПИСОК ЛИТЕРАТУРЫ

1. Айламазян, А.К. Данные, документы и архитектура медицинских информационных систем [Текст] / А. К. Айламазян, Я. И. Гулиев // Тез. докл. Международного форума «Информатизация процессов охраны здоровья населения - 2001», 2001. - а 141-142.

2. Васильченко, В. А. Структура экспертной системы оперативной диагностики и лечения заболеваний легких [Текст] / В. А. Васильченко, В. Л. Бурковский // Вестник воронежского государственного технического университета, 2016. - Том 12.- № 1. - С. 28-31.

3. Воротынцева, Н. С. Рентгенопульмонология: стратегия и тактика получения и анализа рентгеновского изображения в пульмонологии [Текст] : учеб. пособие / Н. С. Воротынцева, С. С. Гольев. - Москва : МИА, 2009. - 280 с. : ил.

4. Власов, П. В. Лучевая диагностика заболеваний органов грудной полости [Текст] / П. В. Власов ; под общ. ред. Г. Г. Кармазановского. - Москва : ВИДАР, 2008. - 376 с. : ил. - (Классическая рентгенология)

5. Прокоп М. Спиральная и многослойная компьютерная томография: пер. с англ. В 2т. Т.2/ М. Прокоп, М. Галански; пер. под ред. А.В. Зубарева, Ш.Ш. Шотемора. - М.: Медпресс-информ, 2007. - 710.00 с.: ил. - Библиогр.: с. 635-694

6. Совмещенная позитронно- эмиссионная и компьютерная томография (ПЭТ-КТ) в онкологии/ Г.Е. Труфанов, В.В. Рязанов, Н.И. Дергунова и др. - СПб.: Элби-СПб, 2005. - 124 с.: ил.. - Библиогр.: с. 121-124

7. Губин, И.М. Разработка и внедрение новой автоматизированной информационной системы ЦКБ [Текст] / И.М. Губин и др. // Кремлевская медицина. Клинический вестник. - 2000. - № 4. - С. 51-54.

8. А.Г.Гужва, С.А.Доленко, И.Г.Персианцев, Ю.С.Шугай. Сравнительный анализ методов определения существенности входных переменных при нейросетевом моделировании: методика сравнения и её применение к известным задачам реального мира. Нейроинформатика-2008. X Всероссийская научно-техническая конференция. Сборник научных трудов, ч.2, с.216-225. М., МИФИ, 2008.

9. Васильченко, В. А. Анализ и выбор структуры объектно-реляционной СУБД медицинской информационной системы [Текст] / В. А. Васильченко, В. Л. Бурковский // Вестник воронежского государственного технического университета, 2015. - Том 3.- № 3. - С. 57-59.

10. Дуданов, И.П. Создание "паспорта здоровья" больных с сердечнососудистыми заболеваниями с использования информационной системы [Текст] / И.П. Дуданов и др. // Медицинский академический журнал. - 2003. - Том 3. - № 3. - С. 125-133.

11. Мистюков, Б. В. Нейросетевое моделирование динамики нелинейных систем [Текст] / Б. В. Мистюков, В. Л. Бурковский // Вестник воронежского государственного технического университета, 2012. - Том 3.- № 12-1. - С. 51-56.

12. Максимова, Е. И. Алгоритм обнаружения образований в легких человека на снимках компьютерного томографа с использованием искусственной нейронной сети [Текст] / Е. И. Максимова, П. А. Хаустов // Фундаментальные исследования, 2016. - № 4 (часть 2). - С. 290-294.

13. Александрова А.В. "Рентгенологическая диагностика туберкулеза органов дыхания". - М., 1983.

14. Тюрин И.Е., Нейштадт А.С., Черемисин В.М. «Компьютерная томография при туберкулезе дыхания» пособие для врачей, Санкт-Петербург, «Корона принт», 1998,235 с.

15. Соколов Ю.Н., Розенштраух Л.С. Бронхография. - М.,Медгиз, 1958. -

172 с.

16. Терновой С.К., Снницын В.Е. Спиральная компьютерная и электроннолучевая ангиография, М.:Вндар, 1998, - 144 с.

17. Зубарев А.В. Методы медицинской визуализации - УЗИ, КТ, МРТ - в диагностике опухолей и кист печени. Москва, 1995, 110 с.

18. Котляров П.М., Темирханов З. С., Щербахина Е. В. Мультипланарные реконструкции и виртуальная бронхоскопия в оценке состояния трахео -бронхиальной системы по данным мультисрезовой компьютерной томографии. Лучевая диагностика и терапия. 2011. Т. 2. № 2. С. 50-55.

19. Гистология, цитология и эмбриология. Атлас: учебное пособие. О.В. Волкова, Ю.К. Елецкий, Т.К. Дубова и др. Под ред. О.В. Волковой. - М.: Медицина, 1996.

20. Ежов А.А., Чечеткин В.Н. Нейронные сети в медицине // Открытые системы. - 2007. - № 4. - С. 34-37.

21. Тархов Д.А. Нейронные сети. Модели и алгоритмы. - М. : Радиотехника, 2005. - 168 с.

22. Галушкин А.И. Теория нейронных сетей. Кн. 1 / общ. ред. А.И. Галушкина. - М.: ИПРЖР, 2000. - 416 с.

23. Малиноский Л.Г. Гипотезы о подпространствах в задаче дискриминантного анализа нормальных совокупностей. - В кн.: Модели. Алгоритмы. Принятие решений. М.: Наука, 1979, с. 195 - 216.

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

25. MaaKay D. On-line Ьоок: Information Theory, Infero^e, and Learning Algorithms. — 2005

26. Witten I.H., Frank E. Data Mining: РтсИс^ Marine Learning Tools and Teсhniques (Seсond Edition). — Morgan Kaufmann, 2005 ISBN 0-12-088407-0

27. И.Г.Персианцев. Адаптивное построение иерархических нейросетевых систем для классификации и для сегментации временных рядов. Научная сессия НИЯУ МИФИ-2010. XII Всероссийская научно-техническая конференция «Нейроинформатика-2010»: Лекции по нейроинформатике. М., НИЯУ МИФИ, 2010, с.212-242.

28. Спирячин, А. А. Анализ эффективности использования метода нечеткой классификации и генитических алгоритмов в интеллекутальной системе поддержки принятия врачебных решений [Текст] / А. А. Спирячин, В. Л. Бурковский, А. П. Воропаев // Вестник воронежского государственного технического университета, 2015. - Том 11.- № 2. - С. 45-48.

29. Половников В. С. О нелинейной сложности нейронных схем МакКаллока-Питтса // Интеллектуальные системы. — 2007. Т. 11, вып. 1-4. — С. 261-275.

30. Половников В. С. О некоторых характеристиках нейронных схем // Интеллектуальные системы. — 2004. Т. 8, вып. 1-4. — С. 121-145

31. А.И.Галушкин. Нейронные сети. Основы теории. М., Горячая линия -Телеком, 2010.

32. В.А.Головко. От многослойных персептронов к нейронным сетям глубокого доверия: парадигмы обучения и применение. В сб.: Нейроинформатика-

2015. XVII Всероссийская научно-техническая конференция с международным участием. Лекции по нейроинформатике, с.47-84. НИЯУ МИФИ, 2015

33. L.A.Gatys, A.S.Eсker, M.Bethge. A Neural Algоrithm оf Artistiс Style. http://arxiv.оrg/abs/1508.06576v1

34. A.Mоrdvintsev, C.Olah, M.Tyka. Inсeptiоnism: Gоing Deeper intо Neural Netwоrks. Gооgle Researсh Blоg, June 17, 2015. http://gооgleresearсh.blоgspоt.ru/2015/06/inсeptiоnism-gоing-deeper-intо-neural.html

35. Miсrоsоft Cоrpоratiоn. Принципы проектирования и разработки программного обеспечения. Учебный курс MCSD [Текст]: / Miсrоsоft ^фот^о^ пер. с англ. - М.: Русская Редакция, 2002. - 736 с

36. Орлик, С. Обзор спецификации JDBC - Системы управления базами данных [Текст] : [Электронный ресурс] / С. Орлик. - Режим доступа: Wоrl Wide Web. URL: http://ww.оsp.ru/dbms/1997/03/2Шm.

37. Кузнецов, С.Д. Концептуальное проектирование реляционных баз данных с использованием языка UML [Текст] : [Электронный ресурс] / С.Д. Кузнецов - Режим доступа: Wоrl Wide Web. URL: http://www.titfomm.ru/ database/artides/umlbases.shtml

38. Нариньяни А.С., Яхно Т.М. Продукционные системы //Представление знаний в человеко-машинных и робототехнических системах/Ред. Д.А. Поспелов. ВЦ АН СССР. ВИНИТИ, 1984. Том А. С. 136-177.

39. Takagi T., Suge^ M. Fuzzy Identifiсatiоn оf Systems and Its Appl^t^s to Mоdeling and ^Html // IEEE Trans. оп Systems, Man, and Cybernetiсs. Vоl. 15, № 1. -1985. - P. 116 - 132.

40. Yager R., Filev D. Essentials оf Fuzzy Mоdeling and Cоntrоl. USA: Jоhn Wiley & Sоns. - 1984. - 387p.

41. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. М.: Наука., 1989. 328 с

42. Ожерельева Т.А. Сложность информационных ресурсов // Современные наукоемкие технологии. 2014. № 4. С. 80-85.

43. Цветков В.Я. Дескриптивные и прескриптивные информационные модели // Дистанционное и виртуальное обучение. 2015. №7. С. 48-54.

44. Ожерельева Т. А. Ресурсные информационные модели // Перспективы науки и образования. 2015. № 1. С. 39-44.

45. Искусственный интеллект. В 3-х кн. Кн.2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990. 340 с.

46. Tsvetkov V. Ya. Information Constructions // European Journal of Te^nology and Design, 2014, Vol.(5), № 3. pp. 147-152

47. Цветков В.Я. Информационные модели объектов, процессов и ситуаций // Дистанционное и виртуальное обучение. 2014. № 5. С. 4-11.

48. Tsvetkov V.Ya. Information Units as the Elements of Complex Models // Nanotechnology Research and Practice, 2014, Vol.(1), № 1. рp. 57-64

49. Ansrambre J. C., DuCTot O. Argumentativity and informativity //From metaphys^s to rhetoric Springer Netherlands, 1989. С. 71-87

50. Экспертные системы. Принципы работы и примеры: Пер. с англ. под ред. Р. Форсайта. М.: Радио и связь, 1987. - 224 с.

51. Назаренко Г.И., Осипов Г.С. Основы теории медицинских технологических процессов. Том 1. — М.: Физматлит, 2005

52. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей. — М.: Едиториал УРСС, 2005

53. Букреев В.Г., Колесникова А.Е., Янковская А.Е. Выявление закономерностей во временных рядах в задачах распознавания состояний динамических объектов. — Томск: Изд-во Томского политехнического университета, 2010.

54. Малых В.Л., Гулиев Я.И. Прецеденты в медицинских информационных системах//Программные продукты и системы. — 2009. — № 2 (86). — С.19-27

55. Демидова Л.А. Классификация объектов на основе мультимножеств и нечеткой кластеризации // Известия ТРТУ. Таганрог, 2006. - № 15 (70). - С. 72-79.

56. Демидова Л.А., Коняева Е.И. Кластеризация объектов с использованием БСМ-алгоритма на основе нечетких множеств второго типа и генетического алгоритма // Вестник РГРТУ. Рязань, 2008. - № 4 (выпуск 26). - С. 46-54.

57. White^m, Mark. Is Gartner's Mag^ Quadrant really mag^? // The Register. — 2007. — Ко. March, 31.

58. Беликова Т.П. Моделирование линейных фильтров для обработки рентгеновских изображений в задачах медицинской диагностики // Цифровая оптика. Обработка изображений и полей в экспериментальных исследованиях / Под ред. В.И. Сифорова и Л.П. Ярославского. - М.: Наука, 1990. - 176 с

59. Гонсалес, Р. Цифровая обработка изображений: пер. с англ. /Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2005. - 1070 с.

60. Pranav Rajpurkar. CheXNet: Radiоlоgist-Level Pneumоnia Deteсtiоn оп Chest X-Rays with Deep Learning. 2017

61. WHO. Standardizatton оf interpretatiоn оf ^est radiоgraphs for the diag^sis оf pneumоnia in ^Mron. 2001

62. Franquet, T. Imaging оf pneumоnia: trends and algоrithms. European Respiratory burna!, 18(1):196- 208, 2001

63. Cherian, Thomas, Mulholland, E Kim, Carlin, John B, Ostensen, Harald, Amin, Ruhul, Campo, Margaret de, Greenberg, David, Lagos, Rosanna, Lucero, Marilla, Madhi, Shabir A, et al. Standardized interpretation of paediatric chest radiographs for the diagnosis of pneumonia in epidemiological studies. Bulletin of the World Health Organization, 83(5):353-359, 2005

64. Wang, Xiaosong, Peng, Yifan, Lu, Le, Lu, Zhiyong, Bagheri, Mohammadhadi, and Summers, Ronald M. Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. arXiv preprint arXiv: 1705.02315, 2017.

65. Huang, Gao, Liu, Zhuang, Weinberger, Kilian Q, and van der Maaten, Laurens. Densely connected convolutional networks. arXiv preprint arXiv:1608.06993, 2016

66. Ioffe, Sergey and Szegedy, Christian. Batch normalization: Accelerating deep network training by reducing internal covariate shift. In International Conference on Machine Learning, pp. 448-456, 2015.

67. http://datareview.info/article/luchshaya-metrika-dlya-ocenki-tochnosti-klassifikacionnyx-modelej/

68. Neuman, Mark I, Lee, Edward Y, Bixby, Sarah, Diperna, Stephanie, Hellinger, Jeffrey, Markowitz, Richard, Servaes, Sabah, Monuteaux, Michael C, and Shah, Samir S. Variability in the interpretation of chest radiographs for the diagnosis of pneumonia in children. Journal of hospital medicine, 7(4): 294-298, 2012.

69. Deng, Jia, Dong, Wei, Socher, Richard, Li, Li-Jia, Li, Kai, and Fei-Fei, Li. Imagenet: A large-scale hierarchical image database. In Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on, pp. 248-255. IEEE, 2009.

70. Kingma, Diederik and Ba, Jimmy. Adam: A met^d for sto^ast^ оptimizatiоn. arXiv preprint arXiv:1412.6980, 2014.

71. Raооf, Suhail, Feigin, David, Sung, Arthur, Raооf, Sabiha, Irugulpati, Lavanya, and Rоsenоw, Edward C. Interpretatfon оf plain сhest rоentgenоgram. CHEST Jоurnal, 141(2):545-558, 2012.

72. Berbaum, K, Franken Jr, EA, and Smith, WL. The effed: оf соmparisоn films upоn resident interpretatfon оf pediatriс сhest radfographs. Investigative radiоlоgy, 20(2):124-128, 1985.

73. Ро:^п, EJ, Gard, JW, Lazar, P, Lahaie, P, and Andary, M. Effed оf сliniсal history data оп сhest film interpretatiоn-direсtiоn ог distraсtiоn. In Investigative Radfofogy, vоlume 14, pp. 404-404, 1979.

74. Yaо, Li, Pоblenz, Erfo, Dagunts, Dmitry, Cоvingtоn, Ben, Bernard, Devоn, and Lyman, Kevin. Learning to diagrnse frоm sсratсh by expfoiting dependenсies amоng labels. arXiv preprint arXiv: 1710.10501, 2017.

75. Ztou, Bоlei, Khоsla, Aditya, Lapedriza, Agata, Oliva, Aude, and ^H-alba, Antonfo. Learning deep features for disa'immative lосalizatiоn. In Prосeedings оf the IEEE Cоnferenсe оп ^mputer Visiоn and Pattern Reсоgnitiоn, pp. 2921-2929, 2016.

76. Gulshan, Varun, Peng, Lily, ^ram, Marс, Stumpe, Martin C, Wu, Derek, Narayanaswamy, Arunaсhalam, Venugоpalan, Subhashini, Widner, Kasumi, Madams, Tоm, Cuadrоs, Jоrge, et al. Devefopment and validatiоn оf a deep learning algоrithш for detedfon оf diabetiс retinоpathy in retinal fundus ptotographs. Jama, 316(22):2402-2410, 2016. Hоpstaken, RM, Witbraad, T, Van Engelstoven

77. Гусев Л.А, Хуторская О.Е. Об одной оценке эффективности машинной диагностики двигательных нарушений // Автоматика и телемеханика. — 2003. — № 12. — С. 112—121.

78. Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней : руководство для врачей / Л.Р.Зенков, М.А.Ронкин. - 5е изд. - М. : МЕДпрессинформ, 2013. - 488 с. : ил.

79. Безруков Н.С., Ермакова Е.В. Прогнозирование бронхиальной астмы по параметрам реоэнцефалографии на основе гибридной сети. Математические методы в технике и технологиях — ММТТ-19. — Воронеж, Воронеж. гос. технол. акад., 2006. — Т. 7. — С. 211—214.

80. Перельман Ю.М., Приходько А.Г. Диагностика холодовой гиперреактивности дыхательных путей. — Благовещенск: ГУ ДНЦ ФПД СО РАМН, 2004. — 10 с

81. Безруков Н.С., Еремин Е.Л. Построение и моделирование адаптивной нейро-нечеткой системы в задачах медицинской диагностики // Информатика и системы управления. — 2005. — № 2 (10). — С. 36—46.

82. Басов К. Графический интерфейс комплекса ANSYS; Книга по Требованию - Москва, 2006. - 239 с.

83. Nardi D., БгасИшап J. An Мй^исйоп to ВеБспрйоп ^g^s [Электронный ресурс] = Введение в дескриптивную логику. - Электронный документ - Режим доступа: http://www.inf. unibz.it/~franсоni/dl/соurse/dlhb/dlhb-01.pdf. - Загл. с экрана.

84. Brahman R., Sefridge P. K^wledge representatton suppоrt for data arсheоlоgy // Intelligent and Cооperative Informatton Systems. - 1993. - № 2. - P. 159186

85. Baader F., Nutt. W. Bas^ desaiptfon togk:s [Электронный ресурс] = Основы дескриптивной логики - Электронный документ - Режим доступа: http://www.inf.unibz.it/~frаnсоni/dl/соur se/dlhb/dlhb02.pdf. - Загл. с экрана

86. Burrasсanо, P. Learning Ve^r Quantizatwn fоr the Prоbabilistiс Neural Netwоrk. IEEE Trans. оп Neural Netwоrks, July 1991, 2, 458-461.

87. Spieler, H., Hartmann, U. Mapping neural netwоrk derived from the parzen windоw estimatоr. Neural Netwоrks, 1992, V.5, pp.903-909.

88. Spe^t, D. The General Regressfon Neural Netwоrk - Redisсоvered. Neural Netwоrks, 1993, V.6, pp.1033-1034.

89. Caudill, M. The Kоhоnen Mоdel. Neural Netwоrk Primer. AI Expert, 1990, 25-31.

90. PTavan, H.Grubmuller, H.Kuhnel. Self-оrganizatiоn оf assосiative memоry and pattern сlassifLсatiоn: reсurrent signal prосessing оп tоpоlоgiсal feature maps. Biоlоgiсal Cybernetiсs, 64 (1990), pp.95-105.

91. Методы дискриминантного анализа [Электронный ресурс]. - Режим доступа: http://шLrznanii.сош/a/264966/metоdy-diskriшLnantnоgо-analiza (дата обращения 06.01.2018).

92. Основы дискриминантного анализ [Электронный ресурс]. - Режим доступа: http://masters.dоппtu.оrg/2005/kita/kapustina/library/disсr_an.htm (дата обращения 06.01.2018).

93. Факторный, дискриминантный и кластерный анализ: Пер. с англ./Дж.-Он Ким, Ч.У.Мьюллер и др. - М.: Финансы и статистика. - 1989. - 215 с.

94. Сергеев, В.А. Рентгеновская компьютерная мультиспиральная томография сердца / В. А. Сергеев. - М.: ГЭОТАР-Медиа, 2009. - 96 с.

95. Силантьева, Н.К. Компьютерная томография в онкопроктологии / Н.К. Силантьева и др. - М.: Медицина, 2007. - 144 с.

96. Труфанов, Г.Е. Рентгеновская компьютерная томография в диагностике хронической обструктивной болезни легких / Г.Е. Труфанов и др. - СПб.: Элби, 2009. - 125 с

97. Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр. : Пер. с англ. -- М. : ООО "И.Д. Вильямс", 2006. — 1104 с.

98. Портал искусственного интеллекта. - 2009. - Режим доступа: свободный. Заголовок с экрана: Шр://№№^а1ро11а1.ги/ агйс1ев/пеига1-пе1,^гк8 (Дата обращения: 23.06.2014).

99. Шандаров Е.С. Программирование LEGO Mindstorms NXT на языке NXC. - Т.: ТМЦДО. 2012. - 44 с.

100. Денисенко В. ПИД - регуляторы: принципы построения и модификации. - СТА №1. 2007. 78 - 88 с.

101. Васенков Д.В. Методы обучения искусственных нейронных сетей. Компьютерные инструменты в образовании. — СПб.: Изд-во ЦПО "Информатизация образования", 2007, №1, С. 20-29.

102. Маслобоев Ю.П. Введение в Neural Netwоrk Тоо1Ьох. [Электронный ресурс]. МайаЬ.Ехропейа - 2001. - Режим доступа: свободный. Заголовок с экрана: Шр://таИаЬ.ехропеП:а.ги/пеига1пе1,^гк/ (дата обращения 21.06.2014).

103. Гаскаров Д.Б. Интеллектуальные информационные системы. - М.: Высшая школа, 2005.

104. Долин Г. Что такое ЭС. - М.: Компьютер Пресс, 2008.

105. Острейковский В. А. Информатика. - М.: Высшая школа, 2007.

106. Структура экспертной системы // http://www.aipоrta1.ru/artiс1es/expert-systems/struсture.htm1 [12.11.2010].

107. Убейко В.Н. Экспертные системы.- М.: МАИ, 2005.

108. Методы и средства преобразования информации; Рига: Зинатне -Москва, 2014. - 136 с.

109. Букатова, И.Л. Эволюционное моделирование: идеи, основы теории, приложения; Знание - Москва, 2013. - 665с.

110. Кандрашина, Е.Ю.; Литвинцева, Л.В.; Поспелов, Д.А. Представление знаний о времени и пространстве в интеллектуальных системах; наука -Москва, 2012. - 328 с.

111. Ковалев, Андрей М1ошой Dynamos CRM: первые шаги; М.: ЭКОМ -Москва, 2009. - 232 с.

112. Лорьер, Ж.-Л. Системы искусственного интеллекта; Мир -Москва, 2015. - 568 с.

113. Любарский, Ю.Я. Интеллектуальные информационные системы; наука

- Москва, 2013. - 228 с.

114. Матэ, Залка Добердо; СПб: Художественная литература - Москва, 2015.

- 280 с.

115. Микони, С.В. Общие диагностические базы знаний вычислительных систем; СПб: Институт информатики и автоматизации РАН - Москва, 2010. - 234 с.

116. Айламазян А.К., Гулиев Я.И. Разработка информационных систем лечебно-профилактических учреждений: проблемы и решения // Тез. докл. Международного форума «Информатизация процессов охраны здоровья населения

- 2000».- М., 2000.

117. Айламазян А.К., Гулиев Я.И., Комаров С.И., Малых В.Л., Морозов В.Ю. Информационные системы в медицине: проблемы и решения // Программные системы: Теоретические основы и приложения / Под ред. А. К. Айламазяна. - М.: Наука. Физматлит, 1999. - С. 162-168.

118. Белышев Д.В., Гулиев Я.И., Назаренко Г.И., Полубенцева Е.И., Хаткевич М.И. Опыт разработки и внедрения информационной системы поликлиники в контексте построения единого информационного пространства комплексного медицинского центра // Тр. междунар. конф. «Программные системы: теория и приложения», ИПС РАН, Переславль-Залесский, май 2004: В 2 т. / Под ред. С.М. Абрамова. - М.: Физматлит, 2004. - Т. 2. - С. 83-102.

119. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов (2-е издание, +CD). - СПб.: Питер, 2003. - 688 с.: ил.

120. Венедиктов Д.Д., Григорьев А.И., Казанов В.А., Кобринский Б.А., Крейнес М.Г., Леванов В.М., Логинов В.А., Тимин Е.Н., Шафранский И.Л., Шифрин М.А. Телемедицинские технологии в здравоохранении России (Обзорная справка). 2002. - http://www. telemed.ru/whatis/laws/gdsprav.html

121. А.А. Романюха Математические модели в иммунологии и эпидемиологии инфекционных заболеваний / А.А. Романюха. - М.: Бином. Лаборатория знаний, ЛКИ, 2015. - 296 с.

122. Бобровский, Стив Orade Database XE для Windоws. Эффективное использование (+CD) / Стив Бобровский. - М.: ЛОРИ, 2009. - 512 с.

123. Браун, Брэдли Orade Database. Создание Web-приложений / Брэдли Браун , Ричард Дж. Ниемик, Джозеф С. Треззо. - М.: ЛОРИ, 2010. - 722 с.

124. Бурлесон, Дональд К. Настольная книга по администрированию ORACLE Appl^ton Server / Бурлесон Дональд К.. - М.: ЛОРИ, 2012. - 921 с.

125. Zingerman B.V., Emelin I.V., Lebedev G.S. Problems оf definite оf key terms оf medial informa^s. // Infor-matton teсhnоlоgies in mediane. 2009-2010. Themata research со^с^оп M^sraw: Radw Engineering, 2010. Pp. 20-33. (in Russian)

126. Методика формирования баз данных [Эпектронный ресурс] URL: h tt p://www. bu dgetrf. ru/P u Ы iсatiоns/M agazi n e s/Vesm i kS F/ 2006/vestniksf289-1 /vestniksf289-1090.htm.

127. 4. Туманов B.E., Маклаков С.В. Проектирование реляционных хранилищ данных. - М,: Диапог-МИФИ, 2007. - 333 с.

128. 5. Бойко В.В., Савинков В.М. Проектирование баз данных информационных систем. - М.: Финансы и статистика, 1989. - 351 с.

129. 6. Дейт, К. Дж. Введение в системы баз данных. 8-е издание. Москва Спб., Киев: Вильяме, 2005, 1327 с.

130. /Иеиер М. Теория реляционных баз данных. - М.: Мир, 1987. - 608 с.

131. Григорьев /O.A., Матюхин 6.Г. Оценка времени выполнения спожного sql-запроса в субд ms sql server It Организация баз данных 2004. №2(8). - С. 3-11.

132. Абдуманонов A.A., Карабаев М.К., Махмудов Н.И. Об интеллектуализации медицинских информационных систем II Научно-практический журнал «Современная наука: актуапьные проблемы теории и практики» Серия «естественные и технические науки» № 9-10, 2013, Воронеж. -С.60-64

133. Гусев A.B., Романов ФА, Драное И.П., Воронин A.B. Медицинские информационные системы: Монография / Петрозаводск: Издательство, ПетрГУ, 2005. - 404 с.

134. Васильченко, В.А. Структура экспертной системы оперативной диагностики и лечения заболеваний легких / В.А. Васильченко, В.Л. Бурковский, // Вестник Воронежского государственного технического университета. - 2016. - Т.12. - №1. - С.28-31

135. Васильченко, В.А. Анализ и выбор структуры объектно-реляционной субд медицинской информационной системы / В.А. Васильченко, В.Л. Бурковский, // Вестник Воронежского государственного технического университета. - 2015. -Т.11. - №3. - С.57-60

136. Васильченко, В.А. Повышение качества диагностики заболеваний легких на основе нейросетевого анализа данных компьютерного томографа / В.А. Васильченко, В.Л. Бурковский, А.Е. Хвостикова, Н.Э. Костина // Системный анализ и управление в биомедицинских системах. - 2016. - Т.15. - №4 - С.633-637

137. В.А. Васильченко. Распознавание пульмонологических заболеваний на основе алгоритмов цифровой обработки результатов компьютерной томографии / В.А. Васильченко, В.Л. Бурковский // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации (РАСПОЗНАВАНИЕ — 2018): материалы XIV международной научно-технической конференции. С. 69-72

138. В.А. Васильченко. Повышение качества диагностики заболеваний легких на основе нейросетевого анализа данных компьютерного томографа / В.А. Васильченко, В.Л. Бурковский // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации (РАСПОЗНАВАНИЕ — 2017): материалы XIII международной научно-технической конференции. С. 95-97

139. В.А. Васильченко. Использование аппарата нейронных сетей для диагностики образований в легких человека на основе снимков компьютерного томографа / В.А. Васильченко, В.Л. Бурковский // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2016): материалы IV международной конференции. С. 63-66

140. В.А. Васильченко. Программный модуль распознавания патологий легких в рамках мультиспирального копмьютерного томографа / В.А. Васильченко,

B.Л. Бурковский // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2017): материалы X международной конференции. С. 92-95

141. В.А. Васильченко. Распознавание патологических зон легочных заболеваний на основе данных компьютерного томографа/ В.А. Васильченко, В.Л. Бурковский // Новые технологии в научных исследованиях, проектировании, управлении, производстве (НТ-2017): материалы XI международной конференции.

C. 110-113

142. A data mining system for providing analytiсal infоrmatiоn оп brain Шшогс to publ^ health detisfon makers / R. S. Santos, S. M. F. Malheiros, S. Cavalheiro, J. M. De Oliveira // ^mputer mettods and programs in biоmediсine. 2013. V. 109. № 3. P. 269282

143. Fоx G. C., Furmanski W. PETAOPS and EXAOPS: Super^mp^^ оп the web // Internet imputing, IEEE. 1997. V. 1. № 2. P. 38-46.

144. Fоster I., Maguire T., Snelling D. Ogsa wsrf bas^ profile 1.0. 2014. http: //www. оgf. оrg/dосuments/GFD.72.pdf

145. Data analysis serv^es in the k^wledge grid / Eugenfo Cesarfo, Antonfo ^ngiusta, Dоmeniсо Talia, Paоlо Trunfiо // Data Mining Teсhпiques in Grid imputing Envirопшents. 2008. P. 17-36.

146. Fоster I., Maguire T., Snelling D. Ogsa wsrf bas^ profile 1.0. 2014. http: //www. оgf. оrg/dосuments/GFD.72.pdf

147. SOAP Speсifiсatiоns — Wоrld Wide Web Cоnsоrtium. 2014 (окт.). http: //www. w3. оrg/TR/sоap/

148. Gtobus Шо1М! 2014 (окт.). http://tооlkit.glоbus.оrg/tооlkit/.

149. UNICORE — Distributed ramp^ing and data resоurсes. 2014. http: //www^n^^e^.

150. Васильченко, В. А. Алгоритмизация процесса распознавания состояний физиологических объектов на основе специальных рентгеновских изображений/

B.Л. Бурковский, А.Д. Данилов // Компьютерная оптика. - 2019. - Т.43, № 2.

151. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2006. - 1072 с.

152. В.А. Васильченко. Использование аппарата нейронных сетей для диагностики легочных заболеваний/ В.А. Васильченко, В.Л. Бурковский // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2016): материалы IX международной конференции. - 2016. -

C. 66-69.