Интеллектуальная система оценки риска сердечно-сосудистых осложнений на основе двойного спектрального сканирования ангиографических изображений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Сухомлинов Артем Юрьевич

• Сухомлинов Артем Юрьевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Сухомлинов Артем Юрьевич

Введение

1 Интеллектуальные системы автоматизированного анализа ангиографических изображений

1.1 Основные задачи интеллектуальных систем автоматизированного анализа ангиографических изображений

1.2 Определение контуров артерий на ангиографических изображениях путем сканирования по яркости

1.3 Определение контуров артерий на ангиографических изображениях путем использования поворачивающихся фильтров

1.4 Определение контуров артерий на ангиографических изображениях путем использования нейронных сетей

1.5 Алгоритмические подходы к обнаружению стенозов на ангиографических изображениях

1.6 Постановка цели и задачи на исследование

2 Метод двойного спектрального сканирования для определения параметров сосудов на ангиографических изображениях

2.1 Моделирование рентгеноконтрастных ангиографических изображений для определения параметров сосудов. Четкие изображения

2.2 Моделирование рентгеноконтрастных ангиографических изображений для определения параметров сосудов. Нечеткие изображения

2.3 Локальное двумерное спектральное преобразование Уолша в качестве вейвлета

2.4 Двумерное спектральное преобразование Уолша в задачах автоматизированного анализа рентгеноконтрастных ангиографических изображений

2.5 Выводы второго раздела

3 Алгоритмы поиска и анализа параметров сосудов на ангиографических изображениях

3.1 Общая модель нахождения параметрической картины сосудистого русла

3.2 Поиск непрерывного гладкого контура артерий

3.3 Замена аналогового значения угла основного направления дискретным углом с номером

3.4 Вычисление прямой и нормали к дискретному углу с помощью условных операторов

3.5 Вычисление размеров сканирующих окон, дискретных производных в сканирующих окнах, анализ минимальных и максимальных значений производных для определения характерных точек сосудистого русла

3.6 Определение точек ветвлений (бифуркаций) артерий

3.7 Алгоритм поиска стенозов и оценки риска сердечно-сосудистых осложнений

3.8 Выводы третьего раздела

4 Экспериментальные исследования алгоритмов поиска и анализа параметров сосудов на ангиографических изображениях

4.1 Исследования метода двойного спектрального сканирования при определении границ артерий на модельных данных

4.2 Исследования метода двойного спектрального сканирования при определении границ артерий на снимках коронарной ангиографии

4.3 Исследования метода двойного спектрального сканирования при поиске точек разветвлений артерий на снимках коронарной ангиографии

4.4 Исследования метода двойного спектрального сканирования при поиске стенозов и оценке риска сердечно-сосудистых осложнений

4.5 Выводы четвертого раздела

Заключение

Список сокращений и условных обозначений

Список литературы

Введение диссертации (часть автореферата) на тему «Интеллектуальная система оценки риска сердечно-сосудистых осложнений на основе двойного спектрального сканирования ангиографических изображений»

Введение

Актуальность исследований. Рентгеноконтрастная ангиография используется для диагностики и лечения широкого спектра заболеваний, таких как заболевания коронарных артерий (в первую очередь ишемическая болезнь сердца), заболевания церебральных артерий и др. Суть рентгеноконтрастной ангиографии основана на введении в кровоток специального контрастного вещества, которое хорошо поглощает рентгеновские лучи. Это позволяет визуализировать сосуды на рентгеновских снимках, что, в свою очередь, используется для оценки параметров формы сосудов, размера, проходимости и наличия патологий.

Основная идея автоматизации при анализе рентгеноконтрастных ангиографических изображений состоит в автоматическом определении этих параметров сосудов и, по анализу изменения параметров, автоматического определения патологических изменений в сосудах. Основные патологические изменения в сосудах - это стенозы (сужения сосудов) и вызванные стенозами окклюзии (закупорки сосудов), а также аневризмы (расширения сосудов). То есть в норме диаметр сосудов не должен сильно изменяться от одного разветвления (бифуркации) до другого, а после разветвления, так как суммарная проходимость разветвленных сосудов должна остаться примерно на уровне проходимости сосуда до разветвления, диаметры отдельных ветвей должны быть меньше первоначального диаметра. Относительно резкие изменения диаметра артерий вне точек разветвлений могут свидетельствовать о наличии стенозов и аневризм. Таким образом, основная задача автоматизации при анализе ангиографии - это изучение изменений диаметров сосудов и определение точек разветвлений.

Степень разработанности темы исследования. Определение контуров сосудов на медицинских изображениях является достаточно изученной проблемой. Анализ содержимого современных статей показывает, что в основном для обработки изображений с целью автоматизированного анализа ангиографических изображений авторы используют нейронные сети [Yu, Jiang ],

причем наиболее часто используют сверточные нейронные сети CNN [Zhao, Nasr-Esfahani, Zongwei Zhou]. Основная проблема для исследователей при сравнении различных подходов к решению задач с помощью нейронных сетей - это воспроизводимость результатов, так как в статьях авторы, в лучшем случае, описывают лишь основные особенности архитектуры своих сетей и лишь общие сведения об обучающих датасетах. Однако есть работы, в которых производится анализ сравнительной эффективности различных решений обработки ангиографических изображений, основанных на нейросетях [Danilov, Paulauskaite-Taraseviciene], который производился, как правило, на собственных датасетах.

В [Liu I., Sun Y.] точки контуров сосудов находят путем сканирования по яркости перпендикулярного среза артерии. Такой подход хорошо работает только в определенных условиях: при достаточной резкости изображений, при малых шумах и постоянства фона снимка сосудов.

Суть подобных методов сводится к тому, что вначале находят направление сосуда (например, горизонтальное, вертикальное, наклонное и т.п.), а затем перпендикулярно направлению делают поперечный срез изображения сосуда на ангиограмме, то есть строят график в координатах яркость-смещение в пикселях. Максимумы графика соответствуют пикселям фона, минимум графика попадает в сосудистое русло, так как по сосуду перемещается рентгеноконтраст, и именно в сосуде происходит максимальное поглощение рентгеновского излучения, что на изображении представляется темной полосой.

В ряде случаев, рентгеновский ангиографический снимок не обеспечивает вышеперечисленных условий, фон постоянно изменяется, например, тенью ребер и неравномерностью источника рентгеновского излучения, а уровень шумов очень значителен. В таких условиях при малом соотношении сигнал/шум точность определения контуров артерий современными методами на снимках рентгеноконтрастной ангиографии не удовлетворительна. Это приводит к ошибкам определения наличия стенозов и к неправильной автоматизированной оценке риска сердечно-сосудистых осложнений. Поэтому улучшение точности автоматизированной оценки риска сердечно-сосудистых осложнений по

рентгеноконтрастным ангиографическим изображениям является актуальной научной задачей.

Объектом исследования являются снимки коронарной ангиографии.

Предметом исследования являются методы и алгоритмы цифровой обработки и классификации рентгеноконтрастных ангиографических изображений сосудов.

Цель работы. Улучшение точности автоматизированной оценки риска сердечно-сосудистых осложнений по рентгеноконтрастным ангиографическим изображениям на основе методов двойного спектрального сканирования.

Для достижения поставленной цели решаются следующие задачи:

- системный анализ методов анализа и классификации изображений ангиограмм коронарных сосудов;

- разработка математической модели рентгеноконтрастных изображений сосудов, которая позволит определять их параметры при малых соотношениях сигнал-шум;

- разработка метода двойного спектрального сканирования для определения дескрипторов для определения параметров сосудов (усредненных диаметров, наличия разветвлений в сосудах) в локальных окнах;

- разработка алгоритмического и программного обеспечения для определения наличия стенозов и оценки риска возникновения сердечнососудистых осложнений по рентгеноконтрастным ангиографическим изображениям;

- апробация предложенных алгоритмических и программных средств, выполненных на основе разработанных моделей, методов и алгоритмов.

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

- математическая модель сосудов, отличающаяся использованием функций Уолша для моделирования границ сосудов, позволяющая селектировать необходимые двумерные частоты Уолша в зависимости от направления

расположения сосуда в локальном окне для поиска границ сосудов на рентгеноконтрастных ангиографических изображениях;

- метод определения границ контуров сосудов в ангиографических изображениях, заключающийся в технологии оконного взвешивания при анализе изображений и последующего вычисления преобразования Уолша в окнах с селекцией двумерных частот и принятием решений на основе экстремумов амплитуд спектральных составляющих, позволяющий определять границы контуров сосудов в условиях малых соотношений сигнал/шум;

- алгоритм определения наличия разветвления артерий в локальном окне ангиографических изображений, заключающийся в агрегировании информации о яркости контура артерий и амплитуд двумерных спектральных составляющих сканирующих субокон, позволяющий улучшить эффективность определения наличия разветвлений артерий с точки зрения минимизации ошибок первого и второго рода;

- алгоритм определения наличия стенозов на рентгеноконтрастом ангиографическом изображении по скорости изменения диаметра сосуда, отличающийся учетом информации о наличии разветвлений артерий, о скорости изменения вектора срединной линии артерии, позволяющий уменьшить количество ложноположительных заключений о наличии стенозов на рентгеноконтрастом ангиографическом изображении.

Теоретическая и практическая значимость работы состоит в том, что разработаны новые математические модели, на основе которых разработаны практические подходы к обработке ангиографических изображений, позволяющие определять границы контуров сосудов, наличие разветвлений сосудов, а также детектирование по параметрам сосудистого русла наличия стенозов в условиях больших помех, которые сопровождают процесс получения этого вида медицинских изображений. Разработанные методы, алгоритмы и соответствующее программное обеспечение составили основу построения системы поддержки принятия врачебных решений (СППВР) по оценке риска

сердечно-сосудистых осложнений, апробация которой позволяет рекомендовать её к использованию при описании изображений кардиоангиографии.

Работа выполнена в рамках реализации программы развития ФГБОУ ВО «Юго-Западный государственный университет» программы стратегического академического лидерства «Приоритет-2030» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Результаты работы внедрены в образовательный процесс Юго-Западного государственного университета при подготовке магистров по направлению 12.04.04 «Биотехнические системы и технологии». Программное обеспечение анализа ангиографических изображений, основанное на двойном спектральном сканировании, разработанное в диссертации, прошло испытание в Курской областной многопрофильной клинической больнице. Испытания показали целесообразность его использования для интеллектуальной поддержки оценки риска сердечно-сосудистых осложнений.

Методы исследований. Для решения поставленных задач использовались методы: теории биотехнических систем медицинского назначения, теории ортогональных преобразований, математической статистики, теории обработки изображений, теории распознавания образов, теории нейронных сетей. Программное обеспечение написано на языке Java.

Положения, выносимые на защиту. Математическая модель сосудов, основанная на селекции двумерного спектра их границ в зависимости от направления расположения сосуда в локальном окне, позволяет осуществлять поиск границ сосудов на рентгеноконтрастных ангиографических изображениях; метод определения границ контуров сосудов в ангиографических изображениях, позволяющий определять границы контуров сосудов в условиях малых соотношений сигнал/шум; алгоритм определения наличия разветвления артерий в локальном окне ангиографических изображений, позволяющий уменьшить ошибки определения наличия разветвлений артерий (надо уазать число); алгоритм определения наличия стенозов на рентгеноконтрастом ангиографическом

изображении, позволяющий уменьшить количество ложноположительных заключений о наличии стенозов на рентгеноконтрастом ангиографическом изображении, в среднем, на 10%.

Степень достоверности и апробация работы. Результаты исследования показали возможность воспроизводимости в разных условиях, согласованность с методами обработки и классификации изображений, теорией искусственных нейронных сетей и спектрального анализа, а также аналогичными результатами анализа и классификации ангиографических изображений коронарных сосудов, которые были получены другими исследователями. Итоги экспериментальных исследований моделей и оценок риска сердечно-сосудистых осложнений не противоречат ранее опубликованным исследовательским данным по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы излагались, обсуждались, а также получили положительную оценку на 12 Всероссийских и Международных конференциях: «Медико-экологические информационные технологии» (Курск - 2025); «Медицинские приборы и технологии» (Тула - 2024); «Smart City: Management, Digital, Smart and Artificial Intelligence Technologies, Security, Economics» (Ashgabat - 2024); «Радиоэлектроника. Проблемы и перспективы развития» (Тамбов - 2024, 2023); «Лазерно-информационные технологии» (Новороссийск - 2024); «Нейроинформатика, её приложения и анализ данных» (Красноярск - 2023); «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза - 2023, 2024); «Биотехнология и биомедицинская инженерия» (Курск -2023); «Intelligent Technologies and Data Science. CIT&DS» (Волгоград-2023); «Актуальные проблемы медицинской науки и образования» (Пенза - 2022); на семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск - 2022-2025).

Публикации. Основные результаты диссертационного исследования отражены в 16 научных работах, из них 4 статьи в ведущих рецензируемых научных журналах, 2 статьи в журналах, индексируемых в международной наукометрической базе Scopus.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка литературы, включающего 52 отечественных и 59 зарубежных наименований. Работа изложена на 147 страницах машинописного текста, содержит 50 рисунков и 3 таблицы.

1 Интеллектуальные системы автоматизированного анализа ангиографических изображений

1.1 Основные задачи интеллектуальных систем автоматизированного

анализа ангиографических изображений

Ишемическая болезнь сердца (ИБС) является одной из ведущих причин смертности во всем мире. Это серьезное заболевание, которое возникает из-за нарушения кровоснабжения сердечной мышцы. Миллионы людей страдают от ИБС, и это число продолжает расти. Особенно опасны осложнения ИБС, такие как инфаркт миокарда [104, 110], сердечная недостаточность и даже внезапная смерть. Основная причина ИБС — это образование атеросклеротических бляшек в коронарных артериях [65]. Также риск развития ИБС может быть обусловлен следующими основными факторами риска: курение, высокое артериальное давление, повышенный уровень холестерина, диабет, ожирение, малоподвижный образ жизни. Основой профилактики ИБС является здоровый образ жизни (правильное питание, регулярные физические нагрузки, отказ от вредных привычек и т.д.), а также контроль факторов риска. При наличии ИБС может быть назначена медикаментозная терапия для снижения риска осложнений, а также хирургическое лечение (такое как стентирование или шунтирование).

Одной из самых информативных технологий в диагностике и лечении сердечно-сосудистых заболеваний, в том числе ишемической болезни сердца [74, 101], является изучение сосудов сердца (в частности, их диаметра и пропускной способности). Существуют следующие методы измерения диаметра сосудов сердца:

• Ангиография: "Золотой стандарт" диагностики ИБС. Позволяет визуализировать сосуды и измерить их диаметр с высокой точностью [19, 66, 73, 94, 109].

• Компьютерная томография (КТ): Неинвазивный метод, позволяющий получить трехмерное изображение сосудов [10, 76].

• Магнитно-резонансная томография (МРТ): Еще один неинвазивный метод, особенно полезный для оценки мягких тканей.

• Ультразвуковое исследование (УЗИ): Используется для оценки состояния сосудов и измерения их диаметра в реальном времени [28].

Разработка автоматизированных систем исследования сосудов сердца для определения риска развития осложнений является актуальной научной задачей. Методы измерения диаметра сосудов сердца позволяют выявить атеросклероз, так как сужение сосудов (стеноз) часто вызвано атеросклеротическими бляшками. Также актуальной является оценка эффективности лечения после проведения процедур по расширению сосудов (стентирования или шунтирования), так как повторное измерение позволяет оценить насколько успешно было восстановлено кровоснабжение сердца. Эти методы позволяют прогнозировать осложнения ИБС. Зная точный диаметр сосудов, врач может более точно прогнозировать риск развития инфаркта миокарда, сердечной недостаточности и других осложнений. Также информация о диаметре сосудов помогает выбрать врачу оптимальный метод лечения: медикаментозную терапию, стентирование, шунтирование или комбинацию этих методов. Регулярное измерение диаметра сосудов позволяет отслеживать динамику заболевания ИБС и своевременно корректировать лечение.

Ангиография является одним из наиболее информативных методов диагностики ИБС. Она позволяет визуализировать коронарные артерии, которые питают сердце кровью, и оценить их состояние.

Показания к проведению ангиографии: стабильная стенокардия (особенно при неэффективности медикаментозного лечения), нестабильная стенокардия (для оценки тяжести состояния и выбора тактики лечения), инфаркт миокарда (для выявления причин инфаркта и планирования дальнейшего лечения), перед операциями на сердце (для оценки состояния коронарных артерий).

Преимущества ангиографии: высокая точность - позволяет получить детальную информацию о состоянии коронарных артерий, минимальная

инвазивность - процедура проводится через небольшой прокол в коже, быстрое восстановление - после процедуры пациент может вернуться к привычному образу жизни уже через несколько часов.

Основные причины развития цифровой ангиографии обусловлены повышением точности диагностики, так как цифровые технологии позволили значительно улучшить качество изображений, что делает возможным более точное определение аномалий в кровеносных сосудах. Это позволяет врачам оперативнее ставить диагноз и выбирать оптимальную тактику лечения. Также благодаря цифровым алгоритмам обработки изображений стало возможным снизить дозу рентгеновского излучения, необходимую для получения качественных снимков. Это особенно важно при проведении повторных исследований или у пациентов, подверженных повышенному риску осложнений от радиации. Автоматизация многих процессов и использование мощных компьютеров позволили сократить время проведения исследования, что повышает комфорт пациента и эффективность работы медицинского персонала, в частности отсутствие субъективного фактора при анализе медицинских изображений. Сочетание цифровой обработки ангиографических изображений с другими методами диагностики и лечения позволяет проводить сложные вмешательства в режиме реального времени, что повышает эффективность лечения. Например, решение о стентировании окклюзии может быть принято сразу во время проведения диагностической ангиографии, если скорость обработки диагностической информации достаточно высока, и локализация окклюзии не занимает долгого отрезка времени.

При автоматизации обработки ангиографических изображений очень важна задача определения диаметра кровеносного сосуда. В каждой конкретной точке артерии можно сложную форму кровеносного сосуда с определенным упрощением заменить цилиндром. Тогда задача определения диаметра сосуда в ангиографии сводится к задаче определения диаметра цилиндра по проекции. Точное решение этой задачи зависит от того, какая именно проекция цилиндра дана (вид сверху, вид спереди, изометрия и т.д.).

Необходимые условия для точного определения: чёткое изображение -проекция должна быть четкой и без искажений, известная ориентация -необходимо знать, как цилиндр расположен относительно плоскостей проекций, дополнительная информация - в некоторых случаях может потребоваться информация о длине оси цилиндра, размерах основания или других параметрах.

При ангиографии эти необходимые условия не соблюдаются, так как, как правило, рентгеновская съемка не всегда приводит четкое изображение и без искажений, ориентация артерий, как правило, не известна и постоянно меняется как в пространстве, так и во времени даже во время съемки, так как получение изображений производится на работающем сердце. Поэтому диаметр артерий в автоматизированных системах обработки ангиографических изображений определяется локально в небольшом окне и приблизительно, как и в других подобных системах обработки медицинских изображений [92, 105]. На рисунке 1.1 приведен пример ангиографического изображения артерии, которая сначала проходит практически в плоскости наблюдения, потом перпендикулярно плоскости наблюдения, затем снова в плоскости, потом снова перпендикулярно и т.д.

Рисунок 1.1 - Ангиографическое изображение артерии, которая сначала проходит в плоскости наблюдения затем перпендикулярно ей и т.д.

В то время, когда артерия проходит в плоскости наблюдения, ее проекция представляется в виде полосы, а когда перпендикулярно плоскости наблюдения, то ее проекция представляется в виде окружности.

Еще заменять артерию цилиндром можно очень приблизительно с целью моделирования. Особенно большие погрешности от такой замены возникают в точках бифуркации артерий, т.е в местах разделения артерий на более мелкие артерии. Определение места бифуркации артерий на ангиографическом изображении - это одна из ключевых задач для автоматизированных систем обработки ангиографических изображений. Бифуркация - это точка, где артерия разделяется на две или более ветви. Точное определение этого места необходимо для правильного моделирования артерии и точного измерения диагностических параметров (рисунок 1.2).

Рисунок 1.2 - Пример бифуркации артерии на две основные ветви. Затем и верхняя ветвь и нижняя делятся еще на две ветви и т.д.

Другой важной задачей автоматизированных систем обработки ангиографических изображений является построение графика длина-диаметр коронарных артерий. Этот график, отражающий зависимость длины от диаметра коронарных артерий, представляет собой визуальное представление анатомических характеристик этих сосудов. Он позволяет оценить, как меняется диаметр артерии по мере ее протяженности. Сравнение полученных данных этого

графика с нормативными значениями позволяет оценить, соответствует ли исследуемая артерия анатомической норме. Отклонения от нормы могут свидетельствовать о наличии патологических процессов, таких как атеросклероз, воспаление или аномалии развития. При планировании хирургических или эндоваскулярных вмешательств на коронарных артериях такой график позволяет оценить доступность определенных участков сосуда и выбрать оптимальную технику вмешательства. В научных исследованиях графики длины-диаметра могут использоваться для сравнения различных групп пациентов, например, здоровых и больных, или для оценки эффективности различных методов лечения.

Автоматизированный анализ таких графиков может выявить: сужения -участки с уменьшенным диаметром могут указывать на стенозы, вызванные атеросклеротическими бляшками или другими причинами; расширения -увеличение диаметра может свидетельствовать об аневризме или других патологических процессах; извилистость - изменения в кривизне сосуда могут указывать на наличие аномалий развития или приобретенных изменений; коллатеральное кровообращение - наличие дополнительных сосудов, компенсирующих недостаточное кровоснабжение.

Для построения графика необходимы данные о длине и диаметре различных сегментов коронарных артерий.

Ограничения метода автоматизированного анализа графика длина-диаметр коронарных артерий:

- Двухмерность: график отражает только два параметра - длину и диаметр. В реальности сосуд имеет трехмерную структуру, и его форма может быть более сложной.

- Точность измерений: точность измерений зависит от качества изображения и метода визуализации.

- Индивидуальные особенности: анатомические особенности коронарных артерий могут значительно варьировать у разных людей.

Основная идея автоматизации при анализе ангиографических изображений состоит в автоматическом определении параметров сосудов и, по анализу

изменения параметров, автоматического определения патологических изменений в сосудах. Основные патологические изменения в сосудах - это стенозы (сужения сосудов) и вызванные стенозами окклюзии (закупорки сосудов), а также аневризмы (расширения сосудов). То есть в норме диаметр сосудов не должен сильно изменяться от одного разветвления (бифуркации) до другого, а после разветвления, так как суммарная проходимость разветвленных сосудов должна остаться примерно на уровне проходимости сосуда до разветвления, диаметры отдельных ветвей должны быть меньше первоначального диаметра. Относительно резкие изменения диаметра артерий вне точек разветвлений могут свидетельствовать о наличии стенозов и аневризм. Таким образом, основная задача автоматизации при анализе ангиографии - это изучение изменений диаметров сосудов и определение точек разветвлений.

1.2 Определение контуров артерий на ангиографических изображениях

путем сканирования по яркости

Определение контуров сосудов на медицинских изображениях является достаточно изученной проблемой. В исследовании [16] приводится обзор свыше сотни статей, посвященных методам исследований изображений сосудов в основном на изображениях сетчатки глаза (например, [31, 51, 54]).

Анализ содержимого современных статей показывает, что в основном для обработки изображений с целью автоматизированного анализа ангиографических изображений авторы используют нейронные сети [23], которые будут рассмотрены позже в данной работе. Причем наиболее часто используют сверточные нейронные сети CNN [5, 47]. Основная проблема для исследователей при сравнении различных подходов к решению задач с помощью нейронных сетей - это воспроизводимость результатов, так как в статьях авторы в лучшем случае описывают лишь основные особенности архитектуры своих сетей и лишь общие сведения об обучающих датасетах. Однако есть работы, в которых

производится анализ сравнительной эффективности различных решений обработки ангиографических изображений, основанных на нейросетях [8, 34], который производился, как правило, на собственных датасетах.

В [30, 31] точки контуров сосудов находят путем сканирования по яркости перпендикулярного среза артерии. Такой подход хорошо работает при достаточной резкости изображений, при малых шумах и постоянства фона снимка сосудов. В ряде случаев, рентгеновский ангиографический снимок не обеспечивает этих условий, фон постоянно изменяется, например, тенью ребер и неравномерностью источника рентгеновского излучения, а уровень шумов очень значителен.

Список литературы диссертационного исследования кандидат наук Сухомлинов Артем Юрьевич, 2025 год

Список литературы

1. Ahmed N., Rao K.R.. Orthogonal transforms for digital signal processing. Springer Science & Business Media. 2012. 264 p.

2. Armin Arbab-Zadeh, John Hoe, Quantification of Coronary Arterial Stenoses by Multidetector CT Angiography in Comparison With Conventional Angiography: Methods, Caveats, and Implications // JACC: Cardiovascular Imaging, Volume 4, Issue 2, 2011, Pages 191-202, https://doi.org/10.1016/j.jcmg.2010.10.011

3. Asma Kerkeni, Asma Benabdallah, Antoine Manzanera, Mohamed Hedi Bedoui, A coronary artery segmentation method based on multiscale analysis and region growing // Computerized Medical Imaging and Graphics, Volume 48, 2016, Pages 49-61, https://doi.org/10.1016/j.compmedimag.2015.12.004.

4. Canny J. A Computational Approach to Edge Detection. IEEE Transactions On Pattern Analysis And Machine Intelligence. 1986;Pami-8(6):679-698. https://doi.org/10.1109/TPAMI.1986.4767851

5. Chen Zhao, Aviral Vij, Saurabh Malhotra, Jinshan Tang, Haipeng Tang, Drew Pienta, Zhihui Xu, Weihua Zhou, Automatic extraction and stenosis evaluation of coronary arteries in invasive coronary angiograms // Computers in Biology and Medicine, Vol. 136, 2021, 104667, https:// doi.org/ 10.1016/j .compbiomed.2021.104667

6. Chih-Kuo Lee, Jhen-Wei Hong, Chia-Ling Wu, Jia-Ming Hou, Yen-An Lin, Kuan-Chih Huang, Po-Hsuan Tseng, Real-time coronary artery segmentation in CAG images: A semi-supervised deep learning strategy //Artificial Intelligence in Medicine, Volume 153, 2024, 102888, http s://doi.org/10.1016/j.artmed .2024.102888

7. Conroy R.M., Pyorala K., Fitzgerald A.P., Sans S., Menotti A., De Backer G., De Bacquer D., Ducimetiere P., Jousilahti P., Keil U., Nj0lstad I., Oganov R.G., Thomsen T., Tunstall-Pedoe H., Tverdal A., Wedel H., Whincup P., Wilhelmsen L., Graham I.M., SCORE project group. Estimation of ten-year risk of fatal

cardiovascular disease in Europe: the SCORE project. Eur Heart J. 2003 Jun;24(11):987-1003. doi: 10.1016/s0195-668x(03)00114-3.

8. Danilov V.V., Klyshnikov K.Y., Gerget O.M. et al. Real-time coronary artery stenosis detection based on modern neural networks. Scientific Reports. 2021;11(7582). https://doi.org/10.1038/s41598-021-87174-2

9. David Lesage, Elsa D. Angelini, Gareth Funka-Lea, Isabelle Bloch, Adaptive particle filtering for coronary artery segmentation from 3D CT angiograms //Computer Vision and Image Understanding, Volume 151, 2016, Pages 29-46, https://doi.org/10.1016/j.cviu.2015.11.009

10. Do Yeon Kim, A New Computerized Measurement Approach of Carotid Artery Stenosis on Tomographic Image Sequence // Academic Radiology, Volume 17, Issue 12, 2010, Pages 1498-1505, https://doi.org/10.1016Zj.acra.2010.08.015.

11.Dongdong Hao, Song Ding, Linwei Qiu, Yisong Lv, Baowei Fei, Yueqi Zhu, Binjie Qin, Sequential vessel segmentation via deep channel attention network // Neural Networks, Volume 128, 2020, Pages 172-187, https:// doi.org/10.1016/j .neunet.2020.05.005

12.Fang H. et al., Greedy Soft Matching for Vascular Tracking of Coronary Angiographic Image Sequences // IEEE Transactions on Circuits and Systems for Video Technology, vol. 30, no. 5, pp. 1466-1480, 2020, https://doi.org/10.1109/TCSVT.2019.2903883

13.Farkov Y. A., Manchanda P., Siddiqi A. H. Construction of wavelets through Walsh functions. Singapore. Springer Singapore. 2019. 382 p. https://doi.org/10.1007/978-981-13-6370-2

14.Faten M'hiri, Luc Duong, Christian Desrosiers, Mohamed Leye, Joaquim Miró, Mohamed Cheriet, A graph-based approach for spatio-temporal segmentation of coronary arteries in X-ray angiographic sequences //Computers in Biology and Medicine, Volume 79, 2016, Pages 45-58, https://doi.org/10.1016/j.compbiomed.2016.10.001

15. Filist, S.A. Classification of Medical Images Based on the Spectra of Local Windows / S.A. Filist, D.S. Kondrashov A.A. Kuz'min, A. Yu. Sukhomlinov,

Ch. Kh. Al'-Darradzhi // Biomedical Engineering. - 2024. - №57. - Pp. 321-324. doi: 10.1007/s 10527-023-10324-5.

16.Fraz M.M., Remagnino P., Hoppe A., Uyyanonvara B., Rudnicka A.R., Owen C.G., Barman S.A., Blood vessel segmentation methodologies in retinal images -A survey, Computer Methods and Programs in Biomedicine, Volume 108, Issue 1, 2012, Pages 407-433, ISSN 0169-2607, https://doi.org/10.1016Zj.cmpb.2012.03.009.

17.Freeman W.T., Adelson E.H. The design and use of steerable filters. IEEE Transactions on Pattern analysis and machine intelligence. 1991;13(9): 891-906. http://people.csail.mit.edu/billf/publications/Design_and_Use_of_Steerable_Filter s.pdf

18.Freund Y., Schapire R. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of computer and system sciences 55, 119139 (1997).

19. Glick Y, Murphy A, Francu A, et al. Digital subtraction angiography. Reference article, Radiopaedia.org (Accessed on 14 Mar 2025) https://doi.org/10.53347/rID-62028

20.Hariharan B., Arbelaez P., Girshick R. and Malik J., Hypercolumns for object segmentation and fine-grained localization // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 2015, pp. 447-456, https://doi.org/ 10.1109/CVPR.2015.7298642.

21.Janssen, J.P., Rares, A., Tuinenburg, J.C. et al. New approaches for the assessment of vessel sizes in quantitative (cardio-)vascular X-ray analysis. Int J Cardiovasc Imaging 26, 259-271 (2010). https://doi.org/10.1007/s10554-009-9526-2

22.Jia Gu, Zhijun Fang, Yongbin Gao, Fangzheng Tian, Segmentation of coronary arteries images using global feature embedded network with active contour loss // Computerized Medical Imaging and Graphics, Volume 86, 2020, 101799, https://doi.org/10.1016/j.compmedimag.2020.101799.

23.Jing Yu, Qi Jiang, Asymmetric up-down sampling and complementary-fusion network for coronary artery segmentation on coronary angiography images // Biomedical Signal Processing and Control, Vol. 105(107633), 2025, https:// doi.org/10.1016/j .bspc.2025.107633.

24.Jo K., Kweon J., Kim Y. -H. and Choi , Segmentation of the Main Vessel of the Left Anterior Descending Artery Using Selective Feature Mapping in Coronary Angiography // IEEE Access, vol. 7, pp. 919-930, 2019, https://doi.org/10.1109/ACCESS.2018.2886009

25. Jong Hak Moon, Da Young Lee, Won Chul Cha, Myung Jin Chung, Kyu-Sung Lee, Baek Hwan Cho, Jin Ho Choi, Automatic stenosis recognition from coronary angiography using convolutional neural networks // Computer Methods and Programs in Biomedicine, Volume 198, 2021, 105819, https://doi.org/10.1016Zj.cmpb.2020.105819.

26. Kekre H. B., Athawale A., Sadavarti D. Algorithm to generate wavelet transform from an orthogonal transform. International Journal of Image Processing (IJIP). 2010;4(4): 444-455

27. Konstantinos K. Delibasis, Aristides I. Kechriniotis, C. Tsonos, Nicholas Assimakis, Automatic model-based tracing algorithm for vessel segmentation and diameter estimation // Computer Methods and Programs in Biomedicine, Volume 100, Issue 2, 2010, Pages 108-122, https://doi.org/10.1016/j.cmpb.2010.03.004.

28. Kuzmin A., Al-Darraji H.C., Sukhomlinov A., Filist, S. Two-Dimensional Walsh Spectral Transform in Problems of Automated Analysis of Ultrasound Images. In: Kravets, A.G., Shcherbakov, M.V., Groumpos, P.P. (eds) Creativity in Intelligent Technologies and Data Science. CIT&DS 2023. Communications in Computer and Information Science, vol 1909. Springer, Cham. (2023). https://doi.org/10.1007/978-3-031-44615-3_32

29.Linyan Gu, Xiao-Chuan Cai, Fusing 2D and 3D convolutional neural networks for the segmentation of aorta and coronary arteries from CT images // Artificial Intelligence in Medicine, Volume 121, 2021, 102189, https://doi.org/10.1016/j.artmed.2021.102189

30.Liu I., Sun Y., Recursive tracking of vascular networks in angiograms based on the detection-deletion scheme, IEEE Transactions on Medical Imaging. 1993;12:334-341. https://doi.org/10.1109/42.232264

31.Marios Vlachos, Evangelos Dermatas, Multi-scale retinal vessel segmentation using line tracking // Computerized Medical Imaging and Graphics, Volume 34, Issue 3, 2010, Pages 213-227, https://doi.org/10.1016/j.compmedimag.2009.09.006

32.Nasr-Esfahani E. et al. Vessel extraction in X-ray angiograms using deep learning. In: 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). Orlando FL USA; 2016, pp. 643-646. https://doi.org/10.1109/EMBC.2016.7590784

33.Nasr-Esfahani E., Karimi N., Jafari M.H., Soroushmehr S.M.R., Samavi S., Nallamothu B.K., Najarian K. Segmentation of vessels in angiograms using convolutional neural networks // Biomedical Signal Processing and Control, Volume 40, 2018, Pages 240-251, https://doi.org/10.1016/j.bspc.2017.09.012

34.Paulauskaite-Taraseviciene A. Siaulys J.; Jankauskas A.; Jakuskaite G. A Robust Blood Vessel Segmentation Technique for Angiographic Images Employing Multi-Scale Filtering Approach. J. Clin. Med. 2025;14(354). https://doi.org/10.3390/jcm14020354

35.Pearl Mary Samuel, Thanikaiselvan Veeramalai, VSSC Net: Vessel Specific Skip chain Convolutional Network for blood vessel segmentation, Computer Methods and Programs in Biomedicine, Volume 198, 2021, 105769, https:// doi.org/10.1016/j .cmpb.2020.105769.

36.Phan T.H. Truc, Md. A.U. Khan, Young-Koo Lee, Sungyoung Lee, Tae-Seong Kim, Vessel enhancement filter using directional filter bank // Computer Vision and Image Understanding, Volume 113, Issue 1, 2009, Pages 101-112, https://doi.org/10.1016/j.cviu.2008.07.009.

37. Qin B. et al., Robust PCA Unrolling Network for Super-Resolution Vessel Extraction in X-Ray Coronary Angiography // IEEE Transactions on Medical

Imaging, vol. 41, no. 11, pp. 3087-3098, Nov. 2022, https://doi.org/10.1109/TMI.2022.3177626.

38. Scott Krig, Computer Vision Metrics. Survey, Taxonomy and Analysis of Computer Vision, Visual Neuroscience, and Deep Learning. Springer Cham, 2016 - 637p. DOI: 10.1007/978-3-319-33762-3

39. Shchetinin, E. Yu. Coronary artery stenosis detection based on deep learning models / E. Yu. Shchetinin, A. A. Tiutiunnik // Research Result. Information Technologies. - 2025. - Vol. 10, No. 1. - P. 58-65. - DOI 10.18413/2518-10922025-10-1-0-6. - EDN PKGOFA.

40. Suleyman Yaman, Ozkan Asian, Hasan Güler, Abdulkadir Sengur, Abdul Hafeez-Baig, Ru-San Tan, Ravinesh C Deo, Prabal Datta Barua, U. Rajendra Acharya, Deep learning techniques for automated coronary artery segmentation and coronary artery disease detection: A systematic review of the last decade (2013-2024) // Computer Methods and Programs in Biomedicine, Volume 268, 2025, 108858, https://doi.org/10.1016Zj.cmpb.2025.108858

41.Tajbakhsh N., Jeyaseelan L., Li Q., Chiang J., Wu Z., and Ding X., Embracing imperfect datasets: A review of deep learning solutions for medical image segmentation, 2019, arXiv:1908.10454. [Online]. https://doi.org/10.48550/arXiv.1908.10454

42.Tao Wan, Hongxiang Feng, Chao Tong, Deyu Li, Zengchang Qin, Automated identification and grading of coronary artery stenoses with X-ray angiography, Computer Methods and Programs in Biomedicine, Volume 167, 2018, Pages 1322, https://doi.org/10.1016/j.cmpb.2018.10.013

43.Tao Wan, Xiaoqing Shang, Weilin Yang, Jianhui Chen, Deyu Li, Zengchang Qin, Automated coronary artery tree segmentation in X-ray angiography using improved Hessian based enhancement and statistical region merging // Computer Methods and Programs in Biomedicine, Volume 157, 2018, Pages 179-190, https://doi.org/10.1016/j.cmpb.2018.01.002.

44.Torres-Salomón, P., Rodríguez-Capitán, J., Molina-Cabello, M. A., Thurnhofer-Hemsi, K., Costa, F., Sánchez-Fernández, P. L., Muñoz-Muñoz, M. A., Carmona-

Segovia, A. d. M., Romero-Cuevas, M., Pavón-Morón, F. J., & Jiménez-Navarro, M. (2024). Exploring the Prognostic Impact of Non-Obstructive Coronary Artery Lesions through Machine Learning // Applied Sciences, 14(19), 9079. https://doi.org/10.3390/app14199079

45.Viola P., Jones M. Robust real-time face detection. Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001, Vancouver, BC, Canada, 2001, pp. 747-747, DOI: 10.1109/ICCV.2001.937709.

46.Walter Hugo Lopez Pinaya, Sandra Vieira, Rafael Garcia-Dias, and Andrea Mechelli. Convolutional neural networks. In Machine learning, pages 173-191. Elsevier, 2020.

47. Wei Wu, Jingyang Zhang, Hongzhi Xie, Yu Zhao, Shuyang Zhang, Lixu Gu, Automatic detection of coronary artery stenosis by convolutional neural network with temporal constraint // Computers in Biology and Medicine, Volume 118, 2020, 103657, https://doi.org/10.1016/j .compbiomed .2020.103657

48.Weiler M., Hamprecht F.A., Storath M. Learning steerable filters for rotation equivariant cnns. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City UT USA; 2018, pp. 849-858. https://doi.org/10.1109/CVPR.2018.00095

49.Xiangzhi Bai, Fugen Zhou, Bindang Xue. Image enhancement using multi scale image features extracted by top-hat transform // Optics & Laser Technology, Volume 44, Issue 2, 2012, Pages 328-336, https:// doi.org/ 10.1016/j.optlastec.2011.07.009

50.Xiangzhi Bai, Morphological image fusion using the extracted image regions and details based on multi-scale top-hat transform and toggle contrast operator // Digital Signal Processing, Volume 23, Issue 2, 2013, Pages 542-554, https://doi.org/10.1016/j.dsp.2012.11.001

51. Yi Yin, Mouloud Adel, Salah Bourennane, Retinal vessel segmentation using a probabilistic tracking method // Pattern Recognition, Volume 45, Issue 4, 2012, Pages 1235-1244, https://doi.org/10.1016Zj.patcog.2011.09.019.

52.Ying Sun. Automated identification of vessel contours in coronary arteriograms by an adaptive tracking algorithm. IEEE Transactions on Medical Imaging, 8(1), 78-88. doi:10.1109/42.20365

53.Ying-Che Tsai, Hsi-Jian Lee, Michael Yu-Chih Chen, Automatic segmentation of vessels from angiogram sequences using adaptive feature transformation // Computers in Biology and Medicine, Volume 62, 2015, Pages 239-253, https://doi.org/10.1016/j.compbiomed.2015.04.029.

54.Yiyan Peng, Huishi Toh, Peng Jiang. Fluorescein Angiography Image-AI Based Early Diabetic Retinopathy Detection. //bioRxiv 2025.03.10.642348; doi: https://doi.org/10.1101/2025.03.10.642348

55.Zadeh, L.A. Advances in Fuzzy Mathematics and Engineering Fuzzy Sets and Fuzzy Information-Granulation Theory. - Beijing. Beijing Normal University Press, 2005. ISBN 7-303-05324 - P. 7.

56.Zhang D. et al., Direct Quantification of Coronary Artery Stenosis Through Hierarchical Attentive Multi-View Learning // IEEE Transactions on Medical Imaging, vol. 39, no. 12, pp. 4322-4334, 2020, https://doi.org/10.1109/TMI.2020.3017275

57.Zhixun Li, Yingtao Zhang, Guangzhong Liu, Haoyang Shao, Weimin Li, Xianglong Tang, A robust coronary artery identification and centerline extraction method in angiographies // Biomedical Signal Processing and Control, Vol. 16, 2015, Pages 1-8, https://doi.org/10.1016/j.bspc.2014.09.015.

58.Zhou Z., Siddiquee M. M. R., Tajbakhsh N. and Liang J., UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation, // IEEE Transactions on Medical Imaging, vol. 39, no. 6, pp. 1856-1867, 2020, https://doi.org/ 10.1109/TMI.2019.2959609

59.Zhou, Z., Mahfuzur Rahman Siddiquee, M., Tajbakhsh, N., and Liang, J., UNet++: A Nested U-Net Architecture for Medical Image Segmentation // arXiv e-prints, 1807.10165, 2018. https://doi.org/10.48550/arXiv.1807.10165.

60.Аль- Дарраджи, Часиб Хасан. Двумерное спектральное преобразование Уолша в задачах анализа ультразвуковых изображений внутренних органов

человека/ Часиб Хасан Аль - Дарраджи, А.Ю. Сухомлинов // Лазерно-информационные технологии - 2023: труды XXXI международной научной конференции (г. Новороссийск, Краснодарский край, 11-16 сентября 2023 г). - Новороссийск: Изд-во НФ БГТУ им. В. Г. Шухова, 2023. -- С. 188-191.

61. Аль- Дарраджи, Часиб Хасан. Нормализация ультразвуковых изображений в системах автоматизированного анализа/ Часиб Хасан Аль- Дарраджи, А.Ю. Сухомлинов, А.А. Кузьмин //Биотехнология и биомедицинская инженерия: сборник научных трудов по материалам XIII Всероссийской научно-практической конференции с международным участием, посвященной 88-летию Курского государственного медицинского университета (23 ноября 2023 года) - Курск: Изд-во КГМУ, 2023. - С.231-234.

62.Аль-Дарраджи, Ч. X. Комбинированный классификатор контура поджелудочной железы на ультразвуковых изображениях / Ч. X. Аль-Дарраджи, А. А. Кузьмин, А. Ю. Сухомлинов // Радиоэлектроника. Проблемы и перспективы развития : Сборник трудов IX Всероссийской научно-практической конференции с международным участием, Тамбов, 07 мая 2024 года. - Тамбов: Тамбовский государственный технический университет, 2024. - С. 251-252. - EDN UHLUKV.

63. Аль-Дарраджи, Часиб Хасан. Метод формирования дескрипторов на основе фурье-анализа контуров изображений неоплазий/ Часиб Х Аль-Дарраджи, А.Ю. Сухомлинов, И.А. Халин, Д.А. Фатнев//Медицинские приборы и технологии: сборник статей по материалам международной научной конференции. - Тула: ТулГУ, 2024. - С.177-182.

64.Аль-Дарраджи, Часиб Хасан. Многооконные спектры Уолша-Адамара в классификаторах снимков видеоряда / Часиб Хасан Аль-Дарраджи, А. Ю. Сухомлинов //Радиоэлектроника. Проблемы и перспективы развития [Электронный ресурс]: сборник трудов Восьмой всероссийской молодежной научной конференции / под ред. Д. Ю. Муромцева и др. ;

ФГБОУ ВО «ТГТУ». - Тамбов : Издательский центр ФГБОУ ВО «ТГТУ», 2023. - С.338-340.

65.Барбараш О. Л. Мультидисциплинарный подход в лечении кардиологического пациента / О. Л. Барбараш, Ю. А. Аргунова, С. А. Берне [и др.]. - Кемерово : ФГБНУ «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний», 2024. - 208 с. -ISBN 978-5-904430-77-1. - EDN QOEIDB.

66.Барбараш Л. С. Роль коронароангиографии в снижении числа кардиальных осложнений при сосудистых операциях /, А. Н. Сумин, Д. О. Евдокимов [и др.] // Ангиология и сосудистая хирургия. - 2012. - Т. 18, № 4. - С. 33-41. -EDN PHYFPX.

67.Барбараш О.Л., Карпов Ю.А., Панов А.В. и др. Стабильная ишемическая болезнь сердца. Клинические рекомендации 2024. Российский кардиологический журнал. 2024;29(9):6110. https://doi.org/10.15829/1560-4071-2024-6110. EDN: HHJJUT

68.Белых В.С., Ефремов М.А., Филист С.А. Разработка и исследование метода и алгоритмов для интеллектуальных систем классификации сложноструктурируемых изображений. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016;(2):12-24.

69.Бобырь, М. В. Когнитивная модель принятия решения о наличии границ искомых объектов на изображении / М. В. Бобырь, Н. И. Храпова // Программная инженерия: современные тенденции развития и применения (ПИ-2024) : сборник материалов VIII Всероссийской научно-практической конференции с международным участием, Курск, 17 октября 2024 года. -Курск: ЗАО «Университетская книга», 2024. - С. 102-105. - EDN ZPOXQX.

70. Борисов В. Г. Корреляция интегральных гемодинамических показателей кровотока в персонально-специфических моделях каротидной бифуркации / В. Г. Борисов, Ю. Н. Захаров, Р. А. Виноградов [и др.] // Известия

Алтайского государственного университета. - 2025. - № 1(141). - С. 81-87. - DOI 10.14258/izvasu(2025)1-10. - EDN NEEGKT.

71.Васильев Д. К. Возможность управления риском реваскуляризации коронарных и периферических сосудов в течение следующих 3 лет после коронарной ангиографии у пациентов с ишемической болезнью сердца / Д. К. Васильев, Н. Л. Богданова, Н. Г. Гуманова, О. М. Драпкина // Кардиоваскулярная терапия и профилактика. - 2025. - Т. 24, № 3. - С. 3744. - DOI 10.15829/1728-8800-2025-4385. - EDN FUIYIX.

72.Голубов Б.И., Ефимов А.В., Скворцов В.А. Ряды и преобразования Уолша:Теория и применения. Изд. 2, испр. и доп. 2008. 352 с. ISBN 978-5382-00611-6.

73.Горбатенко, Е. А. Десятилетняя динамика сердечно-сосудистого статуса в сочетании с данными коронарной ангиографии у мужчин трудоспособного возраста Арктического региона проживания и юга Тюменской области / Е. А. Горбатенко, Е. А. Исаева, Е. И. Ярославская // Профилактическая медицина. - 2025. - Т. 28, № 4. - С. 30-38. - DOI 10.17116/profmed20252804130. - EDN RKMFPQ.

74.Гофман Е. А., Первые результаты исследования ПРОГНОЗ ИБС / Е. А. Гофман, С. Ю. Марцевич, А. Д. Деев [и др.] // Клиницист. - 2012. - Т. 6, № 1. - С. 56-63. - EDN OXBMOF.

75.Захаров А.В., П.П.Кольцов, Н.В.Котович, А.А.Кравченко, А.С.Куцаев, А.С.Осипов. Некоторые методы сравнительного исследования детекторов границ// ТРУДЫ НИИСИ РАН, Том 2, № 1, 2012. - С.1-13.

76.Коденко М. Р. Сегментация артериальных сосудов на основании данных КТ-ангиографии с использованием программы 3D Slicer : Методические рекомендации / М. Р. Коденко, Ю. А. Васильев, А. В. Владзимирский [и др.]. - Москва : ГБУЗ «НПКЦ ДиТ ДЗМ», 2024. - 64 с. - EDN CYLZQL.

77.Кондрашов, Д.С. Способ выбора релевантных кадров видеоряда акустических эндоскопических изображений поджелудочной железы/ Д.С. Кондрашов, А.Ю. Сухомлинов, И.А. Жилин//В сборнике: Актуальные

проблемы медицинской науки и образования (АПМН0-2024). Сборник статей по материалам X Международной научной конференции, посвященной 25-летию Медицинского института ПГУ . Пенза, 2024. С. 141145.

78.Кореневский Н. А., Ионеску Ф., Кузьмин А. А., Аль-Касасбех Р. Т. Синтез комбинированных нечетких решающих правил для медицинских приложений с использованием методов разведочного анализа. Биомедицинская радиоэлектроника. 2009;5:65-75. ЕБК КБРАБР

79.Кореневский, Н. А. Использование нечеткой логики принятия решений для медицинских экспертных систем / Н. А. Кореневский // Медицинская техника. - 2015. - № 1(289). - С. 33-35. - ЕБК ТОМгсг.

80.Кореневский, Н. А. Метод синтеза гетерогенных нечетких правил для анализа и управления состоянием биотехнических систем / Н. А. Кореневский // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2013. - № 2. - С. 99-103. - ЕБК ЯБЕХТ^

81.Краснобаев А. А. Обзор алгоритмов детектирования простых элементов изображения и анализ возможности их аппаратной реализации. Препринты ИПМ им. М.В. Келдыша. 2005;114:1-20. ЕБК РШУвР

82.Кудрявцев П. С. Метод повышения качества анализа рентгеновских снимков на основе комбинированных классификаторов / П. С. Кудрявцев, А. А. Кузьмин, О. В. Шаталова, С. А. Филист // Нейроинформатика, ее приложения и анализ данных : Материалы двадцать четвертого Всероссийского семинара, Красноярск, 30 сентября - 02 2016 года. -Красноярск: Институт вычислительного моделирования СО РАН, 2016. - С. 40-44. - ЕБК МБОЛКК

83.Кудрявцев П. С. Моделирование морфологических образований на рентгенограммах грудной клетки в интеллектуальных диагностических системах медицинского назначения // П. С. Кудрявцев, А. А. Кузьмин, Д.

Ю. Савинов [и др.] // Прикаспийский журнал: управление и высокие технологии. - 2017. - № 3(39). - С. 109-120. - EDN YLAWNM.

84.Кудрявцев, П. С. Развитие методологии бустинга для классификации флюорограмм грудной клетки / П. С. Кудрявцев, А. А. Кузьмин, С. А. Филист // Биомедицинская радиоэлектроника. - 2016. - № 9. - С. 10-15. -EDN XQOLDH.

85.Кузьмин А. А. Автоматизированная классификация абдоминальных ультразвуковых изображений поджелудочной железы на основе спектрального представления контуров ее границы / А. А. Кузьмин, А. Ю. Сухомлинов, Х. А. Д. Часиб [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2024. - Т. 14, № 1. - С. 67-87. - DOI 10.21869/2223-1536-2024-14-1-67-87. - EDN LNIRII.

86.Кузьмин А. А. Детектор состояния пикселя ультразвукового изображения на основе оконного двумерного преобразования Уолша / А. А. Кузьмин, Х. Аль-Дарраджи Часиб, А. Ю. Сухомлинов // Проблемы информатики в образовании, управлении, экономике и технике : Сборник статей XXIII Международной научно-технической конференции, посвященной 80-летию Пензенского государственного университета, Пенза, 24-25 ноября 2023 года. - Пенза: Пензенский государственный университет, 2023. - С. 167171. - EDN CWVRJZ.

87. Кузьмин, А.А. Двумерное спектральное преобразование Уолша в системах искусственного интеллекта классификации ультразвуковых изображений/А.А. Кузьмин, Часиб Хасан Аль- Дарраджи, С.А. Филист, А.Ю. Сухомлинов//Нейроинформатика, её приложения и анализ данных: Материалы XXXI Всероссийского семинара, 29 сентября 2023 года. -Красноярск: Институт вычислительного моделирования СО РАН, 2023. - С. 73-82.

88.Кузьмин, А.А. Метод двойного спектрального сканирования при определении границ артерий на снимках коронарной ангиографии/А.А.

Кузьмин, А.Ю. Сухомлинов, С.А. Филист, И.А. Жилин//Вестник Казанского государственного энергетического университета. 2024. Т. 16. № 4 (64). С. 13-24. ЕБК ЕЯРШ1

89.Кузьмин, А.А. Моделирование рентгеноконтрастных ангиографических изображений для определения параметров сосудов методом двойного спектрального сканирования/ А.А. Кузьмин, А.Ю. Сухомлинов, И.А. Жилин, С.А. Филист, С.В. Коробков, В.В. Серебровский // Моделирование, оптимизация и информационные технологии. - 2025. - Т. 13, № 2. - С. 1-21. Ь«р8://то11у1у1.т/ги/|оигпа1^?1ё=1037 БО1; 10.26102/23106018/2021.34.3.022.

90.Курочкин А.Г., Кузьмин А.А., Старцев Е.А., Филист С.А. Алгоритмы метаанализа эффективности диагностических и терапевтических решений на основе мониторинга суррогатных маркеров, получаемых по результатам анализа сложноструктурируемых изображений. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016. № 4 (21). С. 41-55.

91.Леоненков А. В. Нечеткое моделирование в среде МАТЬАБ и fuzzyTECH -СПб:БХВ-Петербург, 2005. - С. 736.

92. Малютина, И.А. Методы и алгоритмы анализа рентгенограмм грудной клетки, использующие локальные окна в задачах обнаружения патологий / И. А. Малютина, А. А. Кузьмин, О. В. Шаталова // Прикаспийский журнал: управление и высокие технологии. - 2017. - № 3(39). - С. 131-138. - ЕБК УЬА^^ОЕ.

93.Малютина, И.А. Синтез оконных классификаторов рентгенограмм грудной клетки на основе операторов Уолша / И. А. Малютина, А. А. Кузьмин, С. А. Филист // Физика и радиоэлектроника в медицине и экологии : Труды XIII Международной научной конференции с научной молодежной школой имени И.Н. Спиридонова. В 2-х книгах, Владимир-Суздаль, 03-05 июля

2018 года. Том Книга 1. - Владимир-Суздаль: ООО "Графика", 2018. - С. 186-190. - EDN XZKPMD.

94.Меркулов, Е.В. Коронарная ангиография, вентрикулография, шунтография в иллюстрациях и схемах / Е.В. Меркулов, В. М. Миронов, А.Н. Самко ; Е.В. Меркулов, В.М. Миронов, А.Н. Самко. - Москва : Медиа Медика, 2011. - 99 с. - ISBN 978-5-905305-03-0. - EDN QMAIBR.

95.Меркулова, И.Н. Прогностическая значимость характеристик атеросклеротических бляшек, оставшихся после чрескожного коронарного вмешательства, в развитии сердечно-сосудистых событий у больных с острым коронарным синдромом по данным компьютерной томографической ангиографии коронарных артерий / И. Н. Меркулова, А. А. Семенова, Н. А. Барышева [и др.] // Кардиология. - 2025. - Т. 65, № 1. -С. 11-19. - DOI 10.18087/cardio.2025.1.n2693. - EDN VIOQWM.

96.Патент № 2629629 C Российская Федерация, МПК G06K 9/34, G06T 7/00, A61B 5/00. Способ автоматической сегментации флюорограмм грудной клетки больных пневмонией : № 2016132680 : заявл. 09.08.2016 : опубл. 30.08.2017 / И. В. Дураков, П. С. Кудрявцев, А. А. Кузьмин [и др.] ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет" (ЮЗГУ). - EDN IHDNPA.

97. Соломинов, М.В. Применение методов машинного обучения и обработки медицинских изображений в решении задачи обнаружения стенозов средней мозговой артерии по данным компьютерно-томографической ангиографии / М. В. Соломинов, Д. В. Пахомов, Т. А. Загрязкина // Digital Diagnostics. - 2024. - Т. 5, № S1. - С. 50-52. - DOI 10.17816/DD626181. -EDN EKMFLK.

98. Сухомлинов, А.Ю. Автоматизированная система обработки ангиографических изображений/ А.Ю. Сухомлинов// В сборнике: Проблемы информатики в образовании, управлении, экономике и технике. сборник

статей XXIV Международной научно-технической конференции. Пенза, 2024. С. 170-175.

99. Сухомлинов, А.Ю. Метод классификации медицинских изображений на основе двух слабых классификаторов/ А.Ю. Сухомлинов//В сборнике: Лазерно-информационные технологии 2024. Труды XXXII международной научной конференции. Новороссийск, 2024. С. 160-162.

100. Сухомлинов, А.Ю. Определение границ сосудов на рентгеноконтрастных ангиографических изображениях методом двойного спектрального сканирования/ А.Ю. Сухомлинов, А.А Кузьмин // Медико-экологические информационные технологии - 2025: сборник научных статей по материалам XXVIII Международной научно-технической конференции (16 - 17 мая 2025 г.). - Курск: ЮЗГУ, 2025. - С. 109 - 113.

101. Толпыгина, С. Н. Влияние сопутствующих заболеваний на отдаленный прогноз пациентов с хронической ишемический болезнью сердца по данным регистра "прогноз ИБС" / С. Н. Толпыгина, С. Ю. Марцевич, А. Д. Деев // Рациональная фармакотерапия в кардиологии. -2015. - Т. 11, № 6. - С. 571-576. - БО1 10.20996/1819-6446-2015-11-6-571576. - ЕБК VJGICX.

102. Томакова, Р.А. Филист С.А., Насер А.А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях. Биомедицинская радиоэлектроника. 2012. -№ 4. - С.43-49.

103. Тэрано Т. Прикладные нечеткие системы: Пер. с япон./ К. Асаи, Д. Ватада, С. Иваи и др.; под редакцией Т. Тэрано, К. Асаи, М. Сугэно.-М.: Мир, 1993. - 368 с.

104. Фазлова, И. X. Анализ клинико-диагностических особенностей инфаркта миокарда у молодых больных / И. Х. Фазлова, Р. А. Юдина, Т. А. Панькина // Развитие современной науки : теоретические и прикладные аспекты : Сборник статей студентов, магистрантов, аспирантов, молодых

ученых и преподавателей / Под общ. ред. Т.М. Сигитова. Том Выпуск 22. -Пермь : ИП Сигитов Т.М., 2017. - С. 159-162. - EDN YPGAOT.

105. Филист, С.А. Классификация медицинских изображений на основе анализа спектров локальных окон / С.А. Филист, Д.С. Кондрашов, А.А. Кузьмин [и др.] // Медицинская техника. - 2023. - № 5(341). - С. 18-20. -EDN LZYBOC.

106. Филист, С.А. Метод классификации сложноструктурируемых изображений на основе самоорганизующихся нейросетевых структур / С. А. Филист, Р. А. Томакова, О. В. Шаталова [и др.] // Радиопромышленность. -

2016. - № 4. - С. 57-65. - EDN WXTUVT.

107. Филист, С.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / С. А. Филист, К.Д. Али Кассим, А.А. Кузьмин [и др.] // Известия Юго-Западного государственного университета. - 2016. - № 4(67). - С. 56-68. - EDN WZRCOT.

108. Филист, С.А. Автоматизированная система классификации снимков УЗИ поджелудочной железы на основе метода посегментного спектрального анализа / С.А. Филист, Д.С. Кондрашов, А.Ю. Сухомлинов, Л.В. Шульга, Ч.Х. Аль-Дарраджи, В.А. Белозёров // Моделирование, оптимизация и информационные технологии. - 2023. - Т. 11, № 4. - С. 1-19. - URL: https://moitvivt.ru/ru/journal/pdf?id=1302. - DOI: 10.26102/23106018/2023.40.1.021.

109. Франц, М.В. Единственный в России десятилетний опыт окружной клинической больницы в проведении амбулаторных коронароангиографий / М. В. Франц, П. И. Павлов // Здравоохранение Югры: опыт и инновации. -

2017. - № 3(12). - С. 10-11. - EDN ZQJSBZ.

110. Хачирова, Э. А. Особенности патогенеза, диагностики и лечения ишемии миокарда без обструкции коронарных артериях / Э. А. Хачирова, М. Д. Яровой // Евразийский кардиологический журнал. - 2025. - № 1(50). -С. 50-57. - DOI 10.38109/2225-1685-2025-1-50-57. - EDN BLXALG.

111. Щетинин, Е.Ю. Обнаружение стеноза коронарных артерий сердца методами глубокого обучения / Е. Ю. Щетинин // Прикладная информатика. - 2024. - Т. 19, № 4(112). - С. 94-106. - БО1 10.37791/2687-0649-2024-19-494-106. - ЕБК ^^КККМК