Методы и алгоритмы анализа гетерогенных биологических и медицинских изображений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Синица Александр Михайлович

• Синица Александр Михайлович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Синица Александр Михайлович

Введение

Глава 1. Проблемы анализа медицинских изображений

1.1 Алгоритмы предобработки данных

1.2 Модели сегментации

1.3 Показатели качества

1.4 Функции потерь

1.5 Методы ансамблирования

Выводы по первой главе

Глава 2. Разработка метода сегментации областей

изображений на основе локальной структурной неоднородности и оценка статических и динамических

характеристик био- и экосистем на его основе

2.1 Алгоритм сегментации и количественной оценки

2.2 Образцы изображений, использованных для проверки алгоритма

2.3 Анализ показателей качества предложенного алгоритма

2.3.1 Оценка сложности алгоритма

2.3.2 Методология и оптимизация параметров алгоритма

2.3.3 Оценка плотности клеточного монослоя и сегментация клеточных скоплений

2.3.4 Оценка морфологической структуры ткани по гистологическим образцам

2.3.5 Производительность в различных условиях визуализации

и сравнение с доступными альтернативами

2.4 Комбинированный подход и сравнение с подходом на основе машинного обучения

2.5 Программный инструмент и его пользовательский интерфейс

2.6 Оценка динамических характеристик

2.6.1 Флуктуационный анализ траекторий

2.6.2 Флуктуационный анализ оптического потока

Стр.

2.6.3 Эксперимент 1. Броуновское движение

2.6.4 Эксперимент 2. Флуктуации распределенных объектов . . 81 Выводы по второй главе

Глава 3. Сегментация на основе нечёткого рангового ансамбля

3.1 Нечёткий ранговый ансамбль

3.2 Задача сегментации глиобластомы и набор данных

3.3 Модель сегментации глиобластомы на основе нечеткого

рангового ансамбля

3.3.1 Предобработка

3.3.2 Базовые модели

3.3.3 Ансамблирование

3.3.4 Оценка робастности модели к возмущениям в данных

3.4 Выводы по третьей главе

Выводы по четвертой главе

Глава 4. Разработка системы поддержки решений для

сердечной ресинхронизирующей терапии

4.1 Общее описание задачи и системы

4.2 Набор данных

4.3 Модель сегментации желудочков сердца

4.4 Модель сегментации вен коронарного синуса сердца

4.5 Интеграция

4.6 Валидация и сертификация

Выводы по четвёртой главе

Заключение

Список сокращений и условных обозначений

Словарь терминов

Список литературы

Список рисунков

Стр.

Список таблиц

Приложение А. Статистика тестирования производительности

моделей сегментации коллекции BBBCv2

Приложение Б. Статистика тестирования производительности

моделей сегментации глиобластомы

Приложение В. Свидетельства о регистрации программы для

ЭВМ

Приложение Г. Патенты

Приложение Д. Акт внедрения

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы анализа гетерогенных биологических и медицинских изображений»

Введение

Актуальность темы. Развитие и повышение доступности аппаратных и вычислительных ресурсов систем [1] регистрации изображений различной физической природы, включая оптические фото и видео, рентгеновские, компьютерной томографии (КТ), магнитно-резонансной томографии (МРТ), ультразвуковые системы, способствовали росту использования изображений для анализа в биологических и медицинских задачах. Такие системы широко используются для диагностики, прогнозирования и планирования процедур лечения, разработки персонализированных медицинских устройств, в задачах контроля качества лечения и диагностирования, автоматизации анализов экспериментов, гистологического, иммуноцито- и гистохимического исследований, разработки объективных критериев диагностирования.

Повсеместное распространение высокопроизводительных систем регистрации биомедицинских изображений привело к значительному росту объёмов собираемых данных. Поиск путей упрощения, удешевления и улучшения повторяемости результатов анализа изображений [2; 3]привёл к возрастанию интереса к системам автоматической обработки изображений, которые позволяют достичь показателей качества, сопоставимых с экспертными или даже их превосходящих, как показано, например в работе М. Ре1§ЬеМет[4]. Это, в свою очередь, позволяет значительно снизить требования к специальному персоналу, в том числе к высококвалифицированному, затраты на применение технологии, в рамках которой производится автоматизация, и, наконец, расширить область применения современных знаний и методик на области и регионы с нехваткой персонала достаточной квалификации.

Так, например, оценка общего объёма патологических новообразований и их точной локализации в нейрохирургии имеет решающее, а иногда и критическое значение для выбора тактики лечения. В современных радиомических подходах определение объёма интереса (У01) в трёхмерном подходе является важнейшим первым шагом в разработке плана лечения. У01 определяет области, в которых рассчитываются радиологические характеристики. Другой пример - это процедура имплантации ресинхронизирующего электрокардиостимулятора, включающая в себя установку катетера в тонкие вены коронарного синуса, которые являются достаточно вариативной анатомической структурой.

В отсутствие предварительного анализа анатомии, и, как следствие, планирования, различные медицинские решения, например, о месте имплантации или об используемом катетере, должны приниматься непосредственно в процессе процедуры на основе сложных для интерпретации снимков флюороскопии, что потенциально приводит к случаям отмены операции в её процессе, сложностям с выбором электродов (в зависимости от анатомии необходимо использовать разные электроды) и другим неудобствам. Перечисленные ранее факты потенциально снижают эффективность процедуры как с медицинской точки зрения (снижая процент успешных операций), так и с экономической (необходимость повторных процедур).

Стоит отметить, что автоматизация анализа изображений, набравшая популярность в последние годы, в некоторых областях показывает превосходные результаты. К ним, например, относятся системы автономного вождения (Tesla Vision), распознавания лиц (например, Skynet в Китае), номеров автомобилей («Поток» в РФ и «Сергек» в Казахстане), распознавания текста, в том числе рукописного (ABBYY Fine Reader, Google Cloud Vision) и другие. Многие из этих систем основаны на широком спектре нейросетевых моделей машинного зрения, например, предложенных в работах [5—13] и других. Общим для всех перечисленных областей является большой объём доступных гомогенных данных, таких как наборы данных Microsoft COCO [14], ImageNet [15], Open Images [16], Cityscapes[17], KITTI[18—21], Labeled Faces in the Wild[22; 23] и множество других.

Однако в областях, далёких от информационных технологий, таких как медицина и биология, наблюдается как гетерогенность, так и недостаток данных, и, как следствие, существуют значительные проблемы в решении специальных задач. Так, можно привести в пример две работы [24; 25], где в более поздней показано, что при смене целевой популяции людей значительно ухудшаются показатели качества модели, что подтверждает гетерогенный характер данных. Поэтому, вследствие трудностей при разработке достаточно универсальных и удобных автоматизированных решений, в исследованиях до сих пор встречаются подходы, основанные на полностью ручных измерениях^], либо с помощью вспомогательного программного обеспечения, такого как ImageJ/Fiji [27; 28], в то же время S. Shah [29] показывает, насколько сложно, но важно выполнять визуализацию анатомических структур. Так, несмотря на недоверие профильных специалистов к «искусственному интеллекту», ре-

шение сложных прикладных задач постепенно переходит от использования исключительно аналитического (интерпретируемого) подхода к машинному обучению и гибридным моделям. Стоит отметить, что недоверие к алгоритмам машинного обучения имеет под собой достаточно серьёзные основания, например, Марко Тулио Рибейро в своём докладе [30] показывает примеры того, что из-за ошибок и допущений при проектировании процесса обучения модели объяснение результата предсказания может сильно отличаться от эмпирического восприятия этой же проблемы и, более того, результат может основываться на признаках, не относящихся к предмету анализа модели, а этап исследования «объяснимости» часто опускается. Вместе с тем, известные успешные разработки в этой области сводятся к решению частных, относительно простых задач, направленных на анализ высококонтрастных структур, например, решения компаний Siemens Healthineers [31; 32]и Google Health[33; 34]. В то же время попытки решения сложных задач зачастую характеризуются невысокими или неудовлетворительным показателями качества или ограниченной областью применения. Примерами таких задач являются: анализ микроскопических изображений биопленок[35], визуализация и анализ малоконтрастных анатомических структур, таких как опухоли [36—38] или венозные структуры сердца[39—45]. Наконец, задачи первичного анализа биомедицинских изображений, такие как классификация, детектирование и сегментация, зачастую являются самоцелью проводимых исследований. Хотя их результаты потенциально могут повысить эффективность работы профильных экспертов, однако как правило они не способны привнести качественно новые результаты анализа изображений. Быстрое развитие технологий визуализации и их доступность приводят к возможности получения наборов биомедицинских изображений, которые позволяют оценивать не только статистические характеристики объекта, но и динамические. Это, в свою очередь, требует разработки быстрых методов, алгоритмов и удобных программных реализаций анализа и количественной оценки состояния исследуемых объектов. При этом одной из повсеместно встречающихся задач анализа изображений является их сегментация. Преодоление обозначенных выше ограничений требует разработки фундаментальных основ технологий, направленных на извлечение диагностически значимой информации из изображений и их последовательностей.

Необходимы дальнейшие исследования и разработки, посвящённые созданию методов, алгоритмов и программ сегментации для анализа биоме-

дицинских изображений, обладающих высокими показателями качества, не требующих сложных процедур настройки и дообучения при адаптации к гетерогенным наборам изображений и имеющих простой интерфейс пользователя.

Объектом исследования являются микро- и макромасштабные оптические и рентгеновские изображения, включая компьютерную и магнитно-резонансную томографию.

Предметом исследования являются методы и алгоритмы анализа гетерогенных биологических и медицинских изображений.

Целью диссертации является повышение качества и производительности анализа биомедицинских изображений.

Для достижения поставленной цели необходимо решить следующие задачи.

1. Разработка метода и алгоритма сегментации структурно неоднородных биомедицинских изображений в реальном времени без предварительного обучения.

2. Разработка методики оценки динамических характеристик пространственно распределённых био- и экосистем без декомпозиции на точечные объекты и отслеживания их траекторий.

3. Разработка метода и алгоритма сегментации на основе нечёткого рангового ансамбля свёрточных нейронных сетей на примере новообразований на МРТ-изображениях.

4. Разработка способа сегментации малоконтрастных анатомических структур на изображениях компьютерной томографии, на примере сегментации желудочков и вен коронарного синуса для задач неинвазивного картирования в рамках подготовки к сердечной ре-синхронизирующей терапии.

Научная новизна:. Проведённые исследования позволили получить новые научные результаты.

1. Предложен метод, и реализован алгоритм быстрой сегментации биомедицинских изображений по структурной неоднородности объектов на основе комплексирования дифференциальных операторов и локального интегрирования.

2. Предложена методика анализа динамических характеристик и идентификации модели движения пространственно-распределённых объектов и систем на основе комбинирования сегментации с флуктуационным

анализом оптического потока без отслеживания траекторий отдельных объектов в субпопуляциях.

3. Предложен оригинальный метод сегментации трёхмерных томографических изображений на основе нечёткого рангового ансамбля нейронных сетей.

4. Впервые предложен способ автоматической сегментации тонких вен коронарного синуса и желудочков сердца на изображении компьютерной томографии при малодозовом протоколе.

Достоверность научных результатов подтверждается принятием обоснованной совокупности концепций и принципов системного подхода к построению математических моделей систем обработки биомедицинских изображений, корректностью формальных выкладок при разработке методов, результатами вычислительных экспериментов, их статистического анализа и совпадением численных результатов с экспертными оценками, примерами успешной апробации научных результатов в разработках систем обработки изображений в задачах автоматизации наблюдения за биологическими объектами, биотехнологий и высокотехнологичной медицины. Также достоверность подтверждена в рамках многоцентрового контролируемого клинического исследования CRT-DRIVE (ClinicalTrials.gov ID: NCT05327062), целью которого является оценка осуществимости СРТ-имплантации, адаптированной под пациента, путём интеграции ЗД-изображений, ЗД-последовательности электрической активации сердца из ЭКГ и коронарной венозной анатомии на основе данных КТ для руководства размещением левожелудочкового электрода в коронарной вене в поздней зоне электрической активации сердца, где анализ КТ-изображения выполнен методом, описанным в главе 4.

Теоретическая и практическая значимость полученных результатов заключается в разработке эффективных методов анализа структурных и динамических характеристик сложных гетерогенных пространственно-распределённых объектов и систем на основе данных их регистрации с использованием различных физических принципов.

Предложенные модели и алгоритмы применяются в научных исследованиях и медицинской практике: созданные модели сегментации желудочков и вен коронарного синуса внедрены в медицинское устройство, которое в настоящее время проходит клиническую апробацию, данные которой подтверждают высокую эффективность по сравнению с применяемыми клиническими

рекомендациями. Кроме того, устройство используется в лечебном процессе отделений рентгенохирургического лечения сложных нарушений ритма и электрокардиостимуляции федерального государственного бюджетного учреждения «Национальный медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской Федерации.

Научно-практическая значимость работы также подтверждена в рамках научно-исследовательских работ: Грант РФФИ № 19-57-06007 «Видеомониторинг параметров здоровья в области ветеринарии», 2019-2022 гг.; Разработка программно-аппаратного комплекса для мониторинга поведения и параметров здоровья сельскохозяйственных животных (НР/АПУ-108) 2021 г.; Разработка интеллектуальных алгоритмов анализа визуальной информации (АПУ-124) 2021-2022 гг.; Государственное задание № FSEE-2020-0002 «Высокопроизводительные аппаратно-программные решения для интеллектуальных систем проблемно-ориентированного структурного анализа визуальных данных» 2020-2024 гг.; Система неинвазивного картирования XSpline N.I.C.E компании XSpline Spa, 2022-2024 гг.; Государственное задание № FSEE-2025-0006 «Интеллектуальные технологии мультисенсорной диагностики и оперативного контроля структурных и динамических характеристик объектов и сред различной физической природы» 2025-2027 гг..

Методология и методы исследования. В работе использованы методы вычислительной математики, теории вероятности и математической статистики, методы оптимизации, машинного обучения.

Основные положения, выносимые на защиту:

1. Метод и алгоритм сегментации биомедицинских изображений на основе структурной неоднородности объектов позволяет выделять элементы на изображении в режиме реального времени без сложной процедуры настройки и дообучения.

2. Методика идентификации динамических характеристик на основе ком-плексирования сегментации с флуктуационным анализом градиента оптического потока позволяет оценивать динамические характеристики пространственно распределённых объектов без их декомпозиции на точечные объекты и отслеживания их траекторий.

3. Метод сегментации трёхмерных изображений на основе нечёткого рангового ансамбля нейронных сетей обеспечивает сравнимые с на-

страиваемыми алгоритмами показатели качества без настройки или обучения алгоритма слияния.

4. Способ автоматической сегментации тонких вен коронарного синуса и желудочков сердца на изображении компьютерной томографии обеспечивает показатели качества, достаточные для использования в клинической практике сердечной ресинхронизирующей терапии.

Апробация работы. Основные результаты работы докладывались на следующих конференциях: International Conference Artificial Neural Networks and Machine Learning (ICANN) 2019 г.; XIV Russian-Germany conference on biomedical engineering (RGC-2019) 2019 г.; IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus) 2020-2023 гг.; European Society for Clinical Investigation Council (ESCI) 2021 г.; IEEE International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON) 2022 г.; International Work-Conference on Bioinformatics and Biomedical Engineering (IWBBIO) 2023 г.; International Society for Photogrammetry and Remote Sensing (ISPRS) 2023 г.; Heart Rhythm 2023 г.; Intelligent and Fuzzy Systems (INFUS) 2024 г.; European Heart Rhythm Association (EHRA) 2024 г.; Computing in Cardiology (CinC) 2023-2024 гг..

Публикации. Основные результаты по теме диссертации изложены в 29 печатных изданиях, из которых 1 изданы в журналах рекомендованных ВАК, 16 —в периодических научных журналах, индексируемых Web of Science и Scopus, 7 —в иных научных изданиях. Зарегистрированы 1 патент и 4 программы для ЭВМ.

Соответствие паспорту научной специальности. Область исследования соответствует паспорту специальности 2.3.8 - «Информатика и информационные процессы» по пунктам: 4. Разработка методов и технологий цифровой обработки аудиовизуальной информации с целью обнаружения закономерностей в данных, включая обработку текстовых и иных изображений, видеоконтента. Разработка методов и моделей распознавания, понимания и синтеза речи, принципов и методов извлечения требуемой информации из текстов. 7. Разработка методов обработки, группировки и аннотирования информации, в том числе, извлеченной из сети интернет, для систем поддержки принятия решений, интеллектуального поиска, анализа. 13. Разработка и применение методов распознавания образов, кластерного анализа, нейросетевых и нечетких технологий, решающих правил, мягких вычислений при анализе разнородной

информации в базах данных. 16. Автоматизированные информационные системы, ресурсы и технологии по областям применения (научные, технические, экономические, образовательные, гуманитарные сферы деятельности), форматам обрабатываемой, хранимой информации. Системы принятия групповых решений, системы проектирования объектов и процессов, экспертные системы и др.

Личный вклад соискателя. Все описанные в данной работе результаты были получены при непосредственном участии автора в процессе научно-практической деятельности. Автором диссертации совместно с научным руководителем разработаны главные направления научных исследований, сформулированы цель и задачи диссертационной работы. Диссертантом лично или с коллективом коллег предложены методы, выполнены экспериментальные исследования, проведены анализ и статистическая обработка результатов, сформулированы выводы. Обсуждение и подготовка статей к публикации (написание и редактирование) проводилось совместно с научным руководителем и соавторами. Сбор биологических и медицинских данных осуществлён силами соавторов—профильных экспертов в ФГБУ «НМИЦ им. В. А. Алмазова» Минздрава России и ФГАОУ ВО «Казанский (Приволжский) федеральный университет». При сборе данных диссертант осуществлял технических контроль собранных данных. Общий объем публикаций 26,84 п. л., лично автором выполнено 9,54 п. л.

Объем и структура работы. Диссертация состоит из введения, 4 глав, заключения и 5 приложений. Полный объём диссертации составляет 185 страниц, включая 61 рисунок и 18 таблиц. Список литературы содержит 235 наименований.

Во введении к работе кратко отражено состояние проблемы разработки методов и моделей анализа биомедицинских изображений и обоснована актуальность дальнейших исследований, посвящённых алгоритмам сегментации гетерогенных изображений.

В первой главе анализируется предметная область анализа биомедицинских изображений. Рассмотрены основные задачи и алгоритмы обработки данных. В рамках обзора существующих решений в области анализа изображений выделены такие направления, как предобработка, регрессия, классификация (кластеризация), локализация, детектирование, сегментация и реидентифика-ция. Упомянуты различные подходы к предобработке изображений. Рассмотрен

существующий спектр подходов к решению задачи сегментации, как с использованием классического компьютерного зрения, так и на основе нейронных сетей и машинного обучения. Проанализированы основные показатели качества, используемые в задачах классификации и сегментации, а также функции потерь, используемые при решении задачи оптимизации моделей на основе машинного обучения. Перечислены некоторые алгоритмы ансамблирования моделей, используемые при решении подобных задач.

Во второй части предложен, разработан, реализован и проанализирован метод быстрой сегментации биомедицинских изображений на основе структурной неоднородности объектов, а также реализовано программное обеспечение для использования алгоритма в практике биомедицинской лаборатории. Кроме того, предложена и проанализирована методика анализа динамических характеристик и идентификации модели движения пространственно-распределённых объектов на основе комбинирования сегментации и анализа флуктуационных характеристик оптического потока.

В третьей части предложен метод сегментации трёхмерных изображений на основе нечёткого рангового ансамбля на примере задачи сегментации глиоб-ластомы на изображениях магнитно-резонансной томографии.

В последней, четвертой части рассматривается разработка способа автоматической сегментации вен коронарного синуса и эпиэндокардиальной модели желудочков сердца в составе программного медицинского устройства для поддержки решений на этапе подготовки к сердечной ресинхронизирующей терапии.

В заключении подведены итоги и обобщены результаты проведённых исследований.

Глава 1. Проблемы анализа медицинских изображений

Анализ изображений в биомедицинских задачах обычно основан на физических процедурах, таких как дифференциальное флуоресцентное окрашивание, обычное для микроскопических изображений, использовании контрастных веществ в рентгеновской томографии или радиотрассировке в позитронно-эмис-сионной томографии, соответственно, а также на подходах компьютерного зрения. Хотя физические методы, такие как окрашивание или контрастирование, как правило, более точны и надежны, существуют неизбежные ограничения их применения, начиная от разрушения образца в экспериментальных условиях и заканчивая потенциальными побочными эффектами в клинических условиях. Соответственно, компьютеризированная сегментация изображений представляет значительный интерес в ряде приложений, где физическое окрашивание или контрастирование ограничено, недоступно или экономически невыполнимо.

Рассморение задачи сегментации имеет смысл начать в контексте алгоритмов обработки данных (АОД), которые являются компонентами для построения систем обработки данных. Алгоритмы обработки данных можно разделить по типу решаемой задачи на следующие группы:

— предобработка - класс алгоритмов обработки данных, предназначенных для приведения характеристик данных к требуемым последующими алгоритмами;

— локализация и детектирование (в т.ч. ключевых точек) - поиск во множестве входных данных местоположения во времени и/или пространстве перечня интересующих событий или объектов или обнаружение в данных положения особых точек, например, распознавание позы в задачах обработки изображений;

— сегментация - задача определения принадлежности каждого элемента входного множества какому-либо классу;

— алгоритмы извлечения и выбора признаков - класс алгоритмов, предназначенных для снижения размерности задачи путем выделения наиболее значимых параметров или синтеза интегральных;

— классификация (кластеризация) - определение принадлежности входного множества какому-либо классу;

— регрессия - определение зависимости, устанавливающей соответствие между случайными переменными;

— реидентификация - определение соответствия в динамически формируемой базе данных объектов.

В рамках анализа биомедицинских изображений наиболее интересной для экспертного сообщества задачей является сегментация, так как она позволяет не только предоставить конечное «заключение», но и выступать в качестве алгоритма извлечения морфологических признаков и визуализации, а также выполнять роль инструмента предварительной обработки для извлечения областей интереса на изображениях.

1.1 Алгоритмы предобработки данных

Этап предобработки данных является пограничным между предметно-ориентированными и инвариантными моделями и алгоритмами. Несмотря на то, что в качестве предобработки можно рассматривать большой класс алгоритмов, определим этот этап как: преобразования изображения без изменения их размерности с целью изменения распределения случайных величин (значений пикселей) и/или нормализации (масштабирования) их амплитуд с целью преобразования в вид, наиболее подходящий для последующих методов и алгоритмов.

Можно выделить следующие наиболее распространённые методы и алгоритмы:

— стандартизация;

— масштабирование на диапазон значений;

— масштабирование по максимальному абсолютному значению;

— робастное масштабирование;

— степенные преобразования (нелинейные), предложенные, например, Йео-Джонсоном [46] и Боксом-Коксом[47];

— квантильное преобразование;

— нормализация.

Методы линейного масштабирования на диапазон значений и по абсолютному значению являются наиболее простыми преобразованиями и наиболее эффективны для использования применительно к данным с незначительны-

ми выбросами и достаточно равномерным распределением значений. Однако при использовании на данных, не удовлетворяющих этому условию, может возникнуть необходимость значительного повышения чувствительности моделей обработки данных в узких диапазонах значений.

Робастное, степенное и квантильное преобразования достаточно устойчивы к выбросам в том смысле, что добавление или удаление выбросов в обучающем наборе даст примерно такое же преобразование. Но, в отличие от остальных, квантильное также автоматически сжимает любые выбросы, устанавливая для них заранее определённые границы диапазона (0 и 1). Это может привести к артефактам насыщения для экстремальных значений.

Различные методы предобработки изображений, как показано в работе [48], могут оказать существенное влияние на качество дальнейшей сегментации, поскольку влияют на преобразования распределений, подчёркивая или скрывая характерные особенности участков изображений.

1.2 Модели сегментации

Быстрое развитие технологий визуализации и их широкая доступность от исследований до клинических приложений приводит к созданию больших наборов биомедицинских изображений. Это, в свою очередь, требует быстрых и удобных методов их анализа и количественной оценки, при этом одной из часто решаемых задач является сегментация изображений, то есть классификация каждого элемента входного множества. Сегментация, как правило, используется на первых шагах алгоритмов обработки данных с целью извлечения морфологической, структурной информации (в том числе для визуализации) или для дальнейшего маскирования областей (объектов) интереса для анализа и является важным шагом предобработки изображения.

Список литературы диссертационного исследования кандидат наук Синица Александр Михайлович, 2025 год

Список литературы

1. Roser, M. Technological Progress / M. Roser, H. Ritchie // Our World in Data. — 2013. — https://ourworldindata.org/technological-progress.

2. Davenport, T. The potential for artificial intelligence in healthcare / T. Davenport, R. Kalakota // Future healthcare journal. — 2019. — Т. 6, № 2. — С. 94—98.

3. Artificial intelligence in healthcare: transforming the practice of medicine / J. Bajwa [и др.] // Future healthcare journal. — 2021. — Т. 8, № 2. — e188—e194.

4. Comparison between AI and human expert performance in acute pain assessment in sheep / M. Feighelstein [и др.] // Scientific Reports. — 2025. — Т. 15, № 1. — С. 626.

5. K., S. Very Deep Convolutional Networks for Large-Scale Image Recognition / S. K., Z. A. — 2015. — arXiv: 1409.1556 [cs.CV].

6. Deep Residual Learning for Image Recognition / K. He [и др.] // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2016. — С. 770—778.

7. Squeeze-and-Excitation Networks / J. Hu [и др.]. — 2019. — arXiv: 1709.01507 [cs.CV].

8. Aggregated Residual Transformations for Deep Neural Networks / S. Xie [и др.]. — 2017. — arXiv: 1611.05431 [cs.CV].

9. Densely Connected Convolutional Networks / G. Huang [и др.]. — 2018. — arXiv: 1608.06993 [cs.CV].

10. Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning / S. C. [и др.]. — 2016. — arXiv: 1602.07261 [cs.CV].

11. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications / H. A. G. [и др.]. — 2017. — arXiv: 1704.04861 [cs.CV].

12. MobileNetV2: Inverted Residuals and Linear Bottlenecks / S. M. [и др.] // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. — IEEE, 06.2018. — URL: https://doi.org/10.1109/cvpr.2018.00474.

13. Tan, M. Efficientnet: Rethinking model scaling for convolutional neural networks / M. Tan, Q. Le // International Conference on Machine Learning. — PMLR. 2019. — C. 6105—6114.

14. Microsoft COCO: Common Objects in Context / T.-Y. Lin [h gp.] // Computer Vision - ECCV 2014. — Springer International Publishing, 2014. — C. 740—755. — URL: https://doi.org/10.1007/978-3-319-10602-1_48.

15. ImageNet: A large-scale hierarchical image database / J. Deng [h gp.] // 2009 IEEE Conference on Computer Vision and Pattern Recognition. — 2009. — C. 248—255.

16. The open images dataset v4: Unified image classification, object detection, and visual relationship detection at scale / A. Kuznetsova [h gp.] // International journal of computer vision. — 2020. — T. 128, № 7. — C. 1956—1981.

17. The Cityscapes Dataset for Semantic Urban Scene Understanding / M. Cordts [h gp.] // Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2016. — C. 3213—3223.

18. Geiger, A. Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite / A. Geiger, P. Lenz, R. Urtasun // Conference on Computer Vision and Pattern Recognition (CVPR). — 2012.

19. Vision meets Robotics: The KITTI Dataset / A. Geiger [h gp.] // International Journal of Robotics Research (IJRR). — 2013.

20. Fritsch, J. A New Performance Measure and Evaluation Benchmark for Road Detection Algorithms / J. Fritsch, T. Kuehnl, A. Geiger // International Conference on Intelligent Transportation Systems (ITSC). — 2013.

21. Menze, M. Object Scene Flow for Autonomous Vehicles / M. Menze, A. Geiger // Conference on Computer Vision and Pattern Recognition (CVPR). — 2015.

22. Huang, G. B. Labeled faces in the wild: Updates and new reporting procedures / G. B. Huang, E. Learned-Miller // Dept. Comput. Sci., Univ. Massachusetts Amherst, Amherst, MA, USA, Tech. Rep. — 2014. — T. 14, № 003.

23. Labeled faces in the wild: A database forstudying face recognition in unconstrained environments / G. B. Huang [h gp.] // Workshop on faces in'Real-Life'Images: detection, alignment, and recognition. — 2008.

24. Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs / Z. Li [h gp.] // Ophthalmology. — 2018. — T. 125, № 8. — C. 1199—1206.

25. Performance of a Deep Learning System and Performance of Optometrists for the Detection of Glaucomatous Optic Neuropathy Using Colour Retinal Photographs / C. L. Jan [h gp.] // Bioengineering. — 2024. — T. 11, № 11. — C. 1139.

26. In vitro scratch assay to demonstrate the effects of arsenic on skin cell migration / B. I. Pinto [h gp.] // Journal of visualized experiments: JoVE. — 2019. — № 144. — C. 10—3791.

27. Schneider, C. A. NIH Image to ImageJ: 25 years of image analysis / C. A. Schneider, W. S. Rasband, K. W. Eliceiri // Nature methods. — 2012. — T. 9, № 7. — C. 671—675.

28. Fiji: an open-source platform for biological-image analysis / J. Schindelin [h gp.] // Nature methods. — 2012. — T. 9, № 7. — C. 676—682.

29. Imaging of the coronary sinus: normal anatomy and congenital abnormalities / S. S. Shah [h gp.] // Radiographics. — 2012. — T. 32, № 4. — C. 991—1008.

30. Ribeiro, M. T. "Why Should I Trust You?" / M. T. Ribeiro, S. Singh, C. Guestrin // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. — ACM, 08.2016. — URL: https://doi.org/10.1145/2939672.2939778.

31. Artificial intelligence assistance improves reporting efficiency of thoracic aortic aneurysm CT follow-up / J. Rueckel [h gp.] // European journal of radiology. — 2021. — T. 134. — C. 109424.

32. Impact of artificial intelligence assistance on chest CT interpretation times: a prospective randomized study / B. Yacoub [h gp.] // American Journal of Roentgenology. — 2022. — T. 219, № 5. — C. 743—751.

33. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs / V. Gulshan [h gp.] // jama. — 2016. — T. 316, № 22. — C. 2402—2410.

34. International evaluation of an AI system for breast cancer screening / S. M. McKinney [h gp.] // Nature. — 2020. — T. 577, № 7788. — C. 89—94.

35. Benchmark for multi-cellular segmentation of bright field microscopy images / A. Zaritsky [h gp.] // BMC bioinformatics. — 2013. — T. 14, № 1. — C. 1—6.

36. A triplanar ensemble model for brain tumor segmentation with volumetric multiparametric magnetic resonance images / S. Rajput [h gp.] // Healthcare Analytics. — 2024. — T. 5. — C. 100307.

37. Glioma segmentation using ensemble of 2D/3D U-Nets and survival prediction using multiple features fusion / M. J. Ali [h gp.] // Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 6th International Workshop, BrainLes 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4, 2020, Revised Selected Papers, Part II 6. — Springer. 2021. — C. 189—199.

38. HDC-Net: Hierarchical decoupled convolution network for brain tumor segmentation / Z. Luo [h gp.] // IEEE Journal of Biomedical and Health Informatics. — 2020. — T. 25, № 3. — C. 737—745.

39. Sparse Appearance Learning Based Automatic Coronary Sinus Segmentation in CTA / S. Lu [h gp.] // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2014 / nog peg. P. Golland [h gp.]. — Cham : Springer International Publishing, 2014. — C. 779—787.

40. 3D segmentation of coronary arteries based on advanced mathematical morphology techniques / B. Bouraoui [h gp.] // Computerized medical imaging and graphics. — 2010. — T. 34, № 5. — C. 377—387.

41. Automated heart segmentation using U-Net in pediatric cardiac CT / A. Yoshida [h gp.] // Measurement: Sensors. — 2021. — T. 18. — C. 100127.

42. Automatic segmentation of multiple cardiovascular structures from cardiac computed tomography angiography images using deep learning / L. Baskaran [h gp.] // PloS one. — 2020. — T. 15, № 5. — e0232573.

43. AB-ResUNet+: Improving Multiple Cardiovascular Structure Segmentation from Computed Tomography Angiography Images / M. Habijan [h gp.] // Applied Sciences. — 2022. — T. 12, № 6. — C. 3024.

44. Coronary vessel segmentation in coronary angiography with a multi-scale U-shaped transformer incorporating boundary aggregation and topology preservation / G. Wang [h gp.] // Physics in Medicine & Biology. — 2024. — T. 69, № 2. — C. 025012.

45. Electrophysiological cardiovascular MR: procedure-ready mesh model generation for interventional guidance based on non-selective excitation compressed sensing whole heart imaging / C. Jahnke [h gp.] // Scientific Reports. — 2024. — T. 14, № 1. — C. 8974.

46. Yeo, I. A New Family of Power Transformations to Improve Normality or Symmetry / I. Yeo, R. A. Johnson // Biometrika. — 2000. — T. 87, № 4. — C. 954—959. — URL: http://www.jstor.org/stable/2673623.

47. Box, G. E. P. An analysis of transformations / G. E. P. Box, D. R. Cox // Journal of the Royal Statistical Society. Series B (Methodological. — 1964. —

C. 211—252.

48. Data Preprocessing Influence on the Medical Images Segmentation Quality /

D. Valenkova, A. I. Lyanova, S. Tarapata, A. M. Sinitca // 2023 Seminar on Information Computing and Processing (ICP). — 2023. — C. 154—157.

49. Niblack, W. An Introduction to Digital Image Processing / W. Niblack. — Prentice-Hall International, 1986. — (Delaware Symposia on Language Studies5).

50. Sauvola, J. Adaptive document image binarization / J. Sauvola, M. Pietikainen // Pattern Recognition. — 2000. — T. 33, № 2. — C. 225—236.

51. Hybrid Multilevel Thresholding Image Segmentation Approach for Brain MRI / S. R. Sharma [h gp.] // Diagnostics. — 2023. — T. 13, № 5. — URL: https://www.mdpi.com/2075-4418/13/5Z925.

52. Liao, P.-S. A fast algorithm for multilevel thresholding / P.-S. Liao, T.-S. Chen, P.-C. Chung // Journal of Information Science and Engineering. — 2001. — T. 17. — C. 713—727.

53. Najman, L. Watershed of a continuous function / L. Najman, M. Schmitt // Signal Processing. — 1994. — T. 38, № 1. — C. 99—112. — Mathematical Morphology and its Applications to Signal Processing.

54. Neubert, P. Compact Watershed and Preemptive SLIC: On Improving Tradeoffs of Superpixel Segmentation Algorithms / P. Neubert, P. Protzel // 2014 22nd International Conference on Pattern Recognition. — 2014. — C. 996—1001.

55. Chan, T. An Active Contour Model without Edges / T. Chan, L. Vese // Scale-Space Theories in Computer Vision / nog peg. M. Nielsen [h gp.]. — Berlin, Heidelberg : Springer Berlin Heidelberg, 1999. — C. 141—151.

56. Tremeau, A. Regions adjacency graph applied to color image segmentation / A. Tremeau, P. Colantoni // IEEE Transactions on Image Processing. — 2000. — T. 9, № 4. — C. 735—744.

57. Shi, J. Normalized cuts and image segmentation / J. Shi, J. Malik // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2000. — T. 22, № 8. — C. 888—905.

58. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods / R. Achanta [h gp.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2012. — T. 34, № 11. — C. 2274—2282.

59. Irving, B. maskSLIC: Regional Superpixel Generation with Application to Local Pathology Characterisation in Medical Images / B. Irving. — 2017. — arXiv: 1606.09518 [cs.CV].

60. Abdel-Maksoud, E. Brain tumor segmentation based on a hybrid clustering technique / E. Abdel-Maksoud, M. Elmogy, R. Al-Awadi // Egyptian Informatics Journal. — 2015. — T. 16, № 1. — C. 71—81.

61. Tumor segmentation from a multispectral MRI images by using support vector machine classification / S. Ruan [h gp.] // 2007 4th IEEE International Symposium on Biomedical Imaging: From Nano to Macro. — IEEE. 2007. — C. 1236—1239.

62. Bogachev, M. I. Fast and simple tool for the quantification of biofilm-embedded cells sub-populations from fluorescent microscopic images / M. I. Bogachev [h gp.] // PLOS ONE. — 2018. — Man. — T. 13, № 5. — C. 1—24.

63. Brain tumor segmentation of MRI images: A comprehensive review on the application of artificial intelligence tools / R. Ranjbarzadeh [h gp.] // Computers in Biology and Medicine. — 2023. — T. 152. — C. 106405.

64. Mitchell, T. M. Machine Learning / T. M. Mitchell. — McGraw-Hill, 1997. — (McGraw-Hill series in computer science).

65. Rosenblatt, F. The perception: A probabilistic model for information storage and organization in the brain. / F. Rosenblatt // Psychological Review. — 1958. — Т. 65, № 6. — С. 386—408. — URL: https://doi.org/10.1037/ h0042519.

66. Wang, D. Stochastic Configuration Networks: Fundamentals and Algorithms / D. Wang, M. Li // IEEE Transactions on Cybernetics. — 2017. — Окт. — Т. 47, № 10. — С. 3466—3479. — URL: http://dx.doi.org/10.1109/TCYB. 2017.2734043.

67. Attention is All you Need / A. Vaswani [и др.] // Advances in Neural Information Processing Systems. Т. 30 / под ред. I. Guyon [и др.]. — Curran Associates, Inc., 2017.

68. Cybenko, G. Approximation by superpositions of a sigmoidal function / G. Cybenko // Mathematics of Control, Signals, and Systems. — 1989. — Дек. — Т. 2, № 4. — С. 303—314. — URL: https://doi.org/10.1007/ bf02551274.

69. Ronneberger, O. U-net: Convolutional networks for biomedical image segmentation / O. Ronneberger, P. Fischer, T. Brox // International Conference on Medical image computing and computer-assisted intervention. — Springer. 2015. — С. 234—241.

70. Blood Vessels Segmentation by Using CDNet / S. Peng [и др.] // 2018 IEEE 3rd International Conference on Image, Vision and Computing (ICIVC). — 2018. — С. 305—310.

71. Milletari, F. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation / F. Milletari, N. Navab, S.-A. Ahmadi // 2016 Fourth International Conference on 3D Vision (3DV). — 2016. — С. 565—571.

72. Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation / C. Li [и др.]. — 2021. — arXiv: 2105.14732 [eess.IV].

73. Chaurasia, A. LinkNet: Exploiting encoder representations for efficient semantic segmentation / A. Chaurasia, E. Culurciello // 2017 IEEE Visual Communications and Image Processing (VCIP). — 2017. — Дек. — URL: http://dx.doi.org/10.1109/VCIP.2017.8305148.

74. Feature Pyramid Networks for Object Detection / T.-Y. Lin [h gp.]. — 2017. — arXiv: 1612.03144 [cs.CV].

75. Pyramid Scene Parsing Network / H. Zhao [h gp.]. — 2017. — arXiv: 1612. 01105 [cs.CV].

76. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation / K. Kamnitsas [h gp.] // Medical image analysis. — 2017. — T. 36. — C. 61—78.

77. Badrinarayanan, V. Segnet: A deep convolutional encoder-decoder architecture for image segmentation / V. Badrinarayanan, A. Kendall, R. Cipolla // IEEE transactions on pattern analysis and machine intelligence. — 2017. — T. 39, № 12. — C. 2481—2495.

78. Krithika Alias AnbuDevi, M. Review of semantic segmentation of medical images using modified architectures of UNET / M. Krithika Alias AnbuDevi, K. Suganthi // Diagnostics. — 2022. — T. 12, № 12. — C. 3064.

79. From cnn to transformer: A review of medical image segmentation models / W. Yao [h gp.] // Journal of Imaging Informatics in Medicine. — 2024. — C. 1—19.

80. Optimization of U-shaped pure transformer medical image segmentation network / Y. Dan [h gp.] // PeerJ Computer Science. — 2023. — T. 9. — e1515.

81. A survey on U-shaped networks in medical image segmentations / L. Liu [h gp.] // Neurocomputing. — 2020. — T. 409. — C. 244—258.

82. Self-supervised pre-training of swin transformers for 3d medical image analysis / Y. Tang [h gp.] // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. — 2022. — C. 20730—20740.

83. Rethinking the Inception Architecture for Computer Vision / S. C. [h gp.] // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — IEEE, 06.2016. — URL: https://doi.org/10.1109/cvpr.2016.308.

84. Dice, L. R. Measures of the amount of ecologic association between species / L. R. Dice // Ecology. — 1945. — T. 26, № 3. — C. 297—302.

85. Sorensen, T. A. A method of establishing groups of equal amplitude in plant sociology based on similarity of species content and its application to analyses of the vegetation on Danish commons / T. A. Sorensen // Biol. Skar. — 1948. — T. 5. — C. 1—34.

86. Jaccard, P. The distribution of the flora in the alpine zone. 1 / P. Jaccard // New phytologist. — 1912. — T. 11, № 2. — C. 37—50.

87. Huttenlocher, D. Comparing images using the Hausdorff distance / D. Huttenlocher, G. Klanderman, W. Rucklidge // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1993. — T. 15, № 9. — C. 850—863.

88. Enhancing Patch-Based Learning for the Segmentation of the Mandibular Canal / L. Lumetti [h gp.] // IEEE Access. — 2024. — C. 1—12.

89. Improving Segmentation of the Inferior Alveolar Nerve through Deep Label Propagation / M. Cipriano [h gp.] // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). — IEEE, 06.2022. — C. 21105—21114.

90. clDice - A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation / S. Shit [h gp.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). — 06.2021. — C. 16560—16569.

91. Class-Weighted Evaluation Metrics for Imbalanced Data Classification / A. Gupta [h gp.]. — 2020. — arXiv: 2010.05995 [cs.LG].

92. Helff, F. Weighted Sum Model for Multi-Objective Query Optimization for Mobile-Cloud Database Environments. / F. Helff, L. Gruenwald, L. d'Orazio // EDBT/ICDT Workshops. — Citeseer. 2016.

93. Tofallis, C. Add or multiply? A tutorial on ranking and choosing with multiple criteria / C. Tofallis // INFORMS Transactions on education. — 2014. — T. 14, № 3. — C. 109—119.

94. A review on brain tumor segmentation based on deep learning methods with federated learning techniques / M. F. Ahamed [h gp.] // Computerized Medical Imaging and Graphics. — 2023. — C. 102313.

95. Vision transformers in multi-modal brain tumor MRI segmentation: A review / P. Wang [h gp.] // Meta-Radiology. — 2023. — C. 100004.

96. Review of automated computerized methods for brain tumor segmentation and classification / U. Nazar [и др.] // Current medical imaging. — 2020. — Т. 16, № 7. — С. 823—834.

97. Bahadure, N. B. Comparative approach of MRI-based brain tumor segmentation and classification using genetic algorithm / N. B. Bahadure, A. K. Ray, H. P. Thethi // Journal of digital imaging. — 2018. — Т. 31. — С. 477—489.

98. Taha, A. A. An efficient algorithm for calculating the exact Hausdorff distance / A. A. Taha, A. Hanbury // IEEE transactions on pattern analysis and machine intelligence. — 2015. — Т. 37, № 11. — С. 2153—2163.

99. Kline, D. M. Revisiting squared-error and cross-entropy functions for training neural network classifiers / D. M. Kline, V. L. Berardi // Neural Computing and Applications. — 2005. — Июль. — Т. 14, № 4. — С. 310—318. — URL: http://dx.doi.org/10.1007/s00521-005-0467-y.

100. Generalised Dice Overlap as a Deep Learning Loss Function for Highly Unbalanced Segmentations / C. H. Sudre [и др.] // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support / под ред. M. J. Cardoso [и др.]. — Cham : Springer International Publishing, 2017. — С. 240—248.

101. Focal Loss for Dense Object Detection / T.-Y. Lin [и др.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2020. — Т. 42, № 2. — С. 318—327.

102. Salehi, S. S. M. Tversky Loss Function for Image Segmentation Using 3D Fully Convolutional Deep Networks / S. S. M. Salehi, D. Erdogmus, A. Gholipour // Machine Learning in Medical Imaging / под ред. Q. Wang [и др.]. — Springer International Publishing, 2017. — С. 379—387.

103. Karimi, D. Reducing the Hausdorff Distance in Medical Image Segmentation With Convolutional Neural Networks / D. Karimi, S. E. Salcudean // IEEE Transactions on Medical Imaging. — 2020. — Т. 39, № 2. — С. 499—513.

104. Jadon, S. A survey of loss functions for semantic segmentation / S. Jadon // 2020 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). — 2020. — С. 1—7.

105. Loss Functions in the Era of Semantic Segmentation: A Survey and Outlook / R. Azad [h gp.]. — 2023. — arXiv: 2312.05391 [cs.CV].

106. Transferring ensemble representations using deep convolutional neural networks for small-scale image classification / S. Xia [h gp.] // IEEE Access. — 2019. — T. 7. — C. 168175—168186.

107. Müller, D. An Analysis on Ensemble Learning Optimized Medical Image Classification With Deep Convolutional Neural Networks / D. Müller, I. Soto-Rey, F. Kramer // IEEE Access. — 2022. — T. 10. — C. 66467—66480.

108. Littlestone, N. The Weighted Majority Algorithm / N. Littlestone, M. Warmuth // Information and Computation. — 1994. — T. 108, № 2. —

C. 212—261. — URL: https://www.sciencedirect.com/science/article/pii/ S0890540184710091.

109. Yü, F. Multi-Scale Context Aggregation by Dilated Convolutions / F. Yu, V. Koltun // CoRR. — 2016. — T. abs/1511.07122.

110. A deep learning model for classifying human facial expressions from infrared thermal images / A. Bhattacharyya, S. Chatterjee, S. Sen, A. M. Sinitca,

D. Kaplun, R. Sarkar // Scientific Reports. — 2021. — okt. — T. 11, № 1. — C. 20696. — (Scopus, WoS).

111. Monwar, M. M. Multimodal Biometric System Using Rank-Level Fusion Approach / M. M. Monwar, M. L. Gavrilova // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). — 2009. — T. 39, № 4. — C. 867—878.

112. Abaza, A. Quality based rank-level fusion in multibiometric systems / A. Abaza, A. Ross // 2009 IEEE 3rd International Conference on Biometrics: Theory, Applications, and Systems. — 2009. — C. 1—6.

113. Fishburn, P. C. A note on"A note on Nanson's rule" / P. C. Fishburn // Public Choice (1986-1998). — 1990. — T. 64, № 1. — C. 101.

114. Mortazi, A. Multi-Planar Deep Segmentation Networks for Cardiac Substructures from MRI and CT / A. Mortazi, J. Burt, U. Bagci // Statistical Atlases and Computational Models of the Heart. ACDC and MMWHS Challenges / nog peg. M. Pop [h gp.]. — Cham : Springer International Publishing, 2018. — C. 199—206.

115. CardiacNET: Segmentation of Left Atrium and Proximal Pulmonary Veins from MRI Using Multi-view CNN / A. Mortazi [h gp.] // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2017 / nog peg. M. Descoteaux [h gp.]. — Cham : Springer International Publishing, 2017. —

C. 377—385.

116. Glasbey, C. A. Image Analysis for the Biological Sciences / C. A. Glasbey, G. W. Horgan. — Hardcover. — Wiley, 25.07.1995. — C. 230.

117. Segmentation of patchy areas in biomedical images based on local edge density estimation / A. M. Sinitca, A. R. Kayumov, P. V. Zelenikhin, A. G. Porfiriev, D. I. Kaplun, M. I. Bogachev // Biomedical Signal Processing and Control. — 2023. — T. 79. — C. 104189.

118. Canny, J. A Computational Approach to Edge Detection / J. Canny // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1986. — T. PAMI—8, № 6. — C. 679—698.

119. Otsu, N. A Threshold Selection Method from Gray-Level Histograms / N. Otsu // IEEE Transactions on Systems, Man, and Cybernetics. — 1979. — T. 9, № 1. — C. 62—66.

120. Liang, C.-C. In vitro scratch assay: a convenient and inexpensive method for analysis of cell migration in vitro / C.-C. Liang, A. Y. Park, J.-L. Guan // Nature protocols. — 2007. — T. 2, № 2. — C. 329—333.

121. Bacillus pumilus ribonuclease inhibits migration of human duodenum adenocarcinoma HuTu 80 cells / P. Zelenikhin [h gp.] // Molecular Biology. — 2020. — T. 54, № 1. — C. 128—133.

122. Antimicrobial effects of sulfonyl derivative of 2 (5H)-furanone against planktonic and biofilm associated methicillin-resistant and-susceptible Staphylococcus aureus / I. S. Sharafutdinov [h gp.] // Frontiers in microbiology. — 2017. — T. 8. — C. 2246.

123. Targeting microbial biofilms using Ficin, a nonspecific plant protease /

D. R. Baidamshina [h gp.] // Scientific reports. — 2017. — T. 7, № 1. —

C. 1—12.

124. Anti-biofilm and wound-healing activity of chitosan-immobilized Ficin /

D. R. Baidamshina [h gp.] // International Journal of Biological Macromolecules. — 2020. — T. 164. — C. 4205—4217.

125. Ljosa, V. Annotated high-throughput microscopy image sets for validation. / V. Ljosa, K. L. Sokolnicki, A. E. Carpenter // Nature methods. — 2012. — Т. 9, № 7. — С. 637—637.

126. Журавлев, А. А. Сравнение эффективности методов выделения контуров на изображениях дорожной поверхности в зависимости от размера и формата / А. А. Журавлев // Инженерный вестник Дона. — 2024. — 7 (115). — С. 50.

127. A Fast and Noise Tolerable Binarization Method for Automatic License Plate Recognition in the Open Environment in Taiwan / C.-C. Peng [и др.] // Symmetry. — 2020. — Т. 12, № 8. — С. 1374.

128. Fast discrete curvelet transforms / E. Candes [и др.] // multiscale modeling & simulation. — 2006. — Т. 5, № 3. — С. 861—899.

129. Geback, T. Edge detection in microscopy images using curvelets / T. Geback, P. Koumoutsakos // BMC bioinformatics. — 2009. — Т. 10, № 1. — С. 1—14.

130. TScratch: A novel and simple software tool for automated analysis of monolayer wound healing assays: Short Technical Reports / T. Geback [и др.] // Biotechniques. — 2009. — Т. 46, № 4. — С. 265—274.

131. TimeLapseAnalyzer: multi-target analysis for live-cell imaging and time-lapse microscopy / J. Huth [и др.] // Computer methods and programs in biomedicine. — 2011. — Т. 104, № 2. — С. 227—234.

132. AdipoGauge software for analysis of biological microscopic images / M. Yosofvand [и др.] // Adipocyte. — 2020. — Т. 9, № 1. — С. 360—373.

133. AxonDeepSeg: automatic axon and myelin segmentation from microscopy data using convolutional neural networks / A. Zaimi [и др.] // Scientific reports. — 2018. — Т. 8, № 1. — С. 1—11.

134. NuClick: a deep learning framework for interactive segmentation of microscopic images / N. A. Koohbanani [и др.] // Medical Image Analysis. — 2020. — Т. 65. — С. 101771.

135. Cell motility dynamics: a novel segmentation algorithm to quantify multicellular bright field microscopy images / A. Zaritsky [и др.] // PloS one. — 2011. — Т. 6, № 11. — e27593.

136. Topman, G. A standardized objective method for continuously measuring the kinematics of cultures covering a mechanically damaged site / G. Topman, O. Sharabani-Yosef, A. Gefen // Medical engineering & physics. — 2012. — T. 34, № 2. — C. 225—232.

137. Hatamizadeh A Tang Y, N. V. e. a. UNETR: Transformers for 3D Medical Image Segmentation / N. V. e. a. Hatamizadeh A Tang Y // 2022 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). — 2022. — C. 1748—1758.

138. Stochastic Gradient Methods with Layer-wise Adaptive Moments for Training of Deep Networks / B. Ginsburg [h gp.]. — 2019. — URL: https://arxiv.org/ abs/1905.11286.

139. Phase-based segmentation of cells from brightfield microscopy / R. Ali [h gp.] // 2007 4th IEEE International Symposium on Biomedical Imaging: From Nano to Macro. — IEEE. 2007. — C. 57—60.

140. Fuchs, T. J. Computational pathology: challenges and promises for tissue analysis / T. J. Fuchs, J. M. Buhmann // Computerized Medical Imaging and Graphics. — 2011. — T. 35, № 7/8. — C. 515—530.

141. A novel system for scoring of hormone receptors in breast cancer histopathology slides / A. M. Khan [h gp.] // 2nd Middle East Conference on Biomedical Engineering. — IEEE. 2014. — C. 155—158.

142. Crowd sourcing image segmentation with iastaple / D. Schlesinger [h gp.] // 2017 IEEE 14th international symposium on biomedical imaging (ISBI 2017). — IEEE. 2017. — C. 401—405.

143. Fabijanska, A. Segmentation of corneal endothelium images using a U-Net-based convolutional neural network / A. Fabijanska // Artificial intelligence in medicine. — 2018. — T. 88. — C. 1—13.

144. Automated detection of fluorescent cells in in-resin fluorescence sections for integrated light and electron microscopy / J. Delpiano [h gp.] // Journal of Microscopy. — 2018. — T. 271, № 1. — C. 109—119.

145. An annotated fluorescence image dataset for training nuclear segmentation methods / F. Kromp [h gp.] // Scientific Data. — 2020. — T. 7, № 1. — C. 1—8.

146. Attention based multiple instance learning for classification of blood cell disorders / A. Sadafi [h gp.] // International Conference on Medical Image Computing and Computer-Assisted Intervention. — Springer. 2020. — C. 246—256.

147. Automatic Multi Class Organelle Segmentation For Cellular Fib-Sem Images / C. Meyer [h gp.] // 2021 IEEE 18th International Symposium on Biomedical Imaging (ISBI). — IEEE. 2021. — C. 668—672.

148. Fully automatic detection and classification of phytoplankton specimens in digital microscopy images / D. Rivas-Villar [h gp.] // Computer Methods and Programs in Biomedicine. — 2021. — T. 200. — C. 105923.

149. Bilodeau, A. Automated Microscopy Image Segmentation and Analysis with Machine Learning / A. Bilodeau, C. Bouchard, F. Lavoie-Cardinal // Fluorescent Microscopy. — Springer, 2022. — C. 349—365.

150. Lboukili, I. Automatic cell identification and analysis on in vivo reflectance confocal microscopy images of the human epidermis / I. Lboukili, X. Descombes, G. Stamatas // Biomedical Spectroscopy, Microscopy, and Imaging II. T. 12144. — SPIE. 2022. — C. 145—153.

151. Microscopy analysis neural network to solve detection, enumeration and segmentation from image-level annotations / A. Bilodeau [h gp.] // Nature Machine Intelligence. — 2022. — T. 4, № 5. — C. 455—466.

152. Plant cell tracking using Kalman filter based local graph matching / M. Liu [h gp.] // Image and Vision Computing. — 2017. — T. 60. — C. 154—161.

153. Robust tracking and segmentation of human motion in an image sequence / J. J. Gonzalez [h gp.] // 2003 IEEE International Conference on Acoustics, Speech, and Signal Processing, 2003. Proceedings.(ICASSP'03). T. 3. — IEEE. 2003. — C. III—29.

154. Good features to track / J. Shi [h gp.] // 1994 Proceedings of IEEE conference on computer vision and pattern recognition. — IEEE. 1994. — C. 593—600.

155. Lucas, B. D. An iterative image registration technique with an application to stereo vision / B. D. Lucas, T. Kanade // IJCAI'81: 7th international joint conference on Artificial intelligence. T. 2. — 1981. — C. 674—679.

156. McLean, D. J. trajr: an R package for characterisation of animal trajectories / D. J. McLean, M. A. Skowron Volponi // Ethology. — 2018. — T. 124, № 6. —

C. 440—448.

157. Dickinson, R. B. A stochastic model for adhesion-mediated cell random motility and haptotaxis / R. B. Dickinson, R. T. Tranquillo // Journal of mathematical biology. — 1993. — T. 31, № 6. — C. 563—600.

158. Cell motility as persistent random motion: theories from experiments /

D. Selmeczi [h gp.] // Biophysical journal. — 2005. — T. 89, № 2. —

C. 912—931.

159. Levy-like movement patterns of metastatic cancer cells revealed in microfabricated systems and implicated in vivo / S. Huda [h gp.] // Nature communications. — 2018. — T. 9, № 1. — C. 4539.

160. Reynolds, A. M. Scale-free animal movement patterns: Levy walks outperform fractional Brownian motions and fractional Levy motions in random search scenarios / A. M. Reynolds // Journal of Physics A: Mathematical and Theoretical. — 2009. — T. 42, № 43. — C. 434006.

161. Revisiting Brownian motion as a description of animal movement: a comparison to experimental movement data / D. Bearup [h gp.] // Methods in Ecology and Evolution. — 2016. — T. 7, № 12. — C. 1525—1537.

162. Torney, C. J. A hierarchical machine learning framework for the analysis of large scale animal movement data / C. J. Torney, J. M. Morales,

D. Husmeier // Movement ecology. — 2021. — T. 9, № 1. — C. 1—11.

163. Hooten, M. B. Basis function models for animal movement / M. B. Hooten,

D. S. Johnson // Journal of the American Statistical Association. — 2017. — T. 112, № 518. — C. 578—589.

164. Mosaic organization of DNA nucleotides / C.-K. Peng [h gp.] // Phys. Rev.

E. — 1994. — tap. — T. 49, bho. 2. — C. 1685—1689. — URL: https: //link.aps.org/doi/10.1103/PhysRevE.49.1685.

165. Detrended partial-cross-correlation analysis: a new method for analyzing correlations in complex system / N. Yuan [h gp.] // Scientific reports. — 2015. — T. 5, № 1. — C. 1—7.

166. Understanding the complex interplay of persistent and antipersistent regimes in animal movement trajectories as a prominent characteristic of their behavioral pattern profiles: Towards an automated and robust model based quantification of anxiety test data / M. Bogachev, A. Lyanova, A. M. Sinitca, S. Pyko, N. Pyko, A. Kuzmenko, S. Romanov, O. Brikova, M. Tsygankova, D. Ivkin, S. Okovityi, V. Prikhodko, D. Kaplun, Y. Sysoev, A. Kayumov // Biomedical Signal Processing and Control. — 2023. — T. 81.

167. Animal movement pattern model identification based on detrended fluctuation analysis / A. I. Lyanova, K. R. Grigarevichius, A. M. Sinitca, D. I. Kaplun, Y. I. Sysoev, M. I. Bogachev // 2022 IEEE International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON). — IEEE. 2022. — C. 2010—2014.

168. Video-based marker-free tracking and multi-scale analysis of mouse locomotor activity and behavioral aspects in an open field arena: A perspective approach to the quantification of complex gait disturbances associated with Alzheimer's disease / M. Bogachev, A. M. Sinitca, K. Grigarevichius, N. Pyko, A. Lyanova, M. Tsygankova, E. Davletshin, K. Petrov, T. Ageeva, S. Pyko, D. Kaplun, A. Kayumov, Y. Mukhamedshina // Frontiers in Neuroinformatics. — 2023. — T. 17.

169. Multi-Class Segmentation of Heterogeneous Areas in Biomedical and Environmental Images Based on the Assessment of Local Edge Density /

A. M. Sinitca, A. Lyanova, D. Kaplun, P. Zelenikhin, R. Imaev, A. Gafurov,

B. Usmanov, D. Tishin, A. Kayumov, M. Bogachev // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. — 2023. — T. 48. — C. 233—238.

170. Fick, A. Ueber Diffusion / A. Fick // Annalen der Physik. — 1855. — T. 170, № 1. — C. 59—86.

171. Einstein, A. Über die von der molekularkinetischen Theorie der Wärme geforderte Bewegung von in ruhenden Flässigkeiten suspendierten Teilchen / A. Einstein // Annalen der Physik. — 1905. — ^hb. — T. 322, № 8. —

C. 549—560. — URL: http://dx.doi.org/10.1002/andp.19053220806.

172. Smoluchowski, M. von. Zur kinetischen Theorie der Brownschen Molekularbewegung und der Suspensionen / M. von Smoluchowski //

Annalen der Physik. — 1906. — Янв. — Т. 326, № 14. — С. 756—780. — URL: http://dx.doi.org/10.1002/andp.19063261405.

173. Hurst, H. Long-term storage capacity of reservoirs / H. Hurst // Trans. Amer. Soc. Civil Eng. — 1951. — Т. 116. — С. 770—808.

174. Farnebäck, G. Two-Frame Motion Estimation Based on Polynomial Expansion / G. Farneback // Image Analysis / под ред. J. Bigun, T. Gustavsson. — Springer Berlin Heidelberg, 2003. — С. 363—370.

175. Guan, S. Unsupervised learning for optical flow estimation using pyramid convolution lstm / S. Guan, H. Li, W.-S. Zheng // 2019 IEEE international conference on multimedia and expo (ICME). — IEEE. 2019. — С. 181—186.

176. Robust optical flow algorithm for general single cell segmentation / M. C. Robitaille [и др.] // Plos one. — 2022. — Т. 17, № 1. — e0261763.

177. Real-time optical mapping of contracting cardiac tissues with GPU-accelerated numerical motion tracking / J. Lebert [и др.] // Frontiers in Cardiovascular Medicine. — 2022. — Т. 9. — С. 787627.

178. Kasdin, N. Discrete simulation of colored noise and stochastic processes and 1/f/sup /spl alpha// power law noise generation / N. Kasdin // Proceedings of the IEEE. — 1995. — Т. 83, № 5. — С. 802—827.

179. BCAnalyzer: A Semi-automated Tool for the Rapid Quantification of Cell Monolayer from Microscopic Images in Scratch Assay / A. M. Sinitca, A. Kayumov, P. Zelenikhin, A. Porfiriev, D. Kaplun, M. Bogachev // International Work-Conference on Bioinformatics and Biomedical Engineering. — Springer. 2023. — С. 256—269.

180. Jalilian, E. Impact of Image Compression on In Vitro Cell Migration Analysis / E. Jalilian, M. Linortner, A. Uhl // Computers. — 2023. — Т. 12, № 5. — С. 98.

181. Синица, А. М. Оценка флуктуационных характеристик распределенных объектов на основе оптического потока / А. М. Синица // Электронные библиотеки. — 2024. — Т. 27, № 2.

An Intelligent System for Video-Based Proximity Analysis / S. Antonov, M. Bogachev, P. Leyba, A. M. Sinitca, D. Kaplun // Studies in Big Data. — 2023. — T. 129. — C. 89—112.

183. A fuzzy rank-based ensemble of CNN models for classification of cervical cytology / A. Manna, R. Kundu, D. Kaplun, A. M. Sinitca, R. Sarkar // Scientific Reports. — 2021. — Mro^b. — T. 11, № 1.

184. A fuzzy rank-based ensemble of CNN models for MRI segmentation / D. Valenkova, A. Lyanova, A. M. Sinitca, R. Sarkar, D. Kaplun // Biomedical Signal Processing and Control. — 2025. — T. 102. — C. 107342.

185. Complete cancer prevalence in Europe in 2020 by disease duration and country (EUROCARE-6): a population-based study / R. De Angelis [h gp.] // The Lancet Oncology. — 2024.

186. Cancer statistics, 2023 / R. L. Siegel [h gp.] // Ca Cancer J Clin. — 2023. — T. 73, № 1. — C. 17—48.

187. The 2007 WHO classification of tumours of the central nervous system / D. N. Louis [h gp.] // Acta neuropathologica. — 2007. — T. 114. — C. 97—109.

188. CBTRUS statistical report: primary brain and other central nervous system tumors diagnosed in the United States in 2015-2019 / Q. T. Ostrom [h gp.] // Neuro-oncology. — 2022. — T. 24, Supplement_5. — C. v1—v95.

189. Increment of the incidence of glioblastoma following decrease in the incidence of brain tumors in 2000-2020: a population-based registry study / K. Kalyango [h gp.] // Zhurnal Voprosy Neirokhirurgii Imeni NN Burdenko. — 2022. — T. 86, № 5. — C. 28—36.

190. The epidemiology of glioma in adults: a "state of the science" review / Q. T. Ostrom [h gp.] // Neuro-oncology. — 2014. — T. 16, № 7. — C. 896—913.

191. Individual preoperative 3D modeling of vascular brain pathology / D. Okishev [h gp.] // Burdenko's Journal of Neurosurgery. — 2019. — C. 34.

192. Radiomics in medical imaging—"how-to" guide and critical reflection / J. E. Van Timmeren [h gp.] // Insights into imaging. — 2020. — T. 11, № 1. — C. 91.

193. The multimodal brain tumor image segmentation benchmark (BRATS) / B. H. Menze [h gp.] // IEEE transactions on medical imaging. — 2014. — T. 34, № 10. — C. 1993—2024.

194. Chaki, J. A deep learning based four-fold approach to classify brain MRI: BTSCNet / J. Chaki, M. Wozniak // Biomedical Signal Processing and Control. — 2023. — T. 85. — C. 104902. — URL: https://www.sciencedirect. com/science/article/pii/S174680942300335X.

195. Yuan, J. Brain tumor image segmentation method using hybrid attention module and improved mask RCNN / J. Yuan // Scientific Reports. — 2024. — T. 14. — C. 20615.

196. Abd-Ellah, M. Automatic brain-tumor diagnosis using cascaded deep convolutional neural networks with symmetric U-Net and asymmetric residualblocks / M. Abd-Ellah, A. Awad, A. K. et al. // Scientific Reports. — 2024. — T. 14. — C. 9501.

197. Enhanced TumorNet: Leveraging YOLOv8s and U-net for superior brain tumor detection and segmentation utilizing MRI scans / W. Zafar [h gp.] // Results in Engineering. — 2024. — T. 24. — C. 102994. — URL: https://www. sciencedirect.com/science/article/pii/S2590123024012490.

198. The brain tumor segmentation (brats) challenge 2023: glioma segmentation in sub-saharan Africa patient population (brats-africa) / M. Adewole [h gp.] // ArXiv. — 2023.

199. The rsna-asnr-miccai brats 2021 benchmark on brain tumor segmentation and radiogenomic classification / U. Baid [h gp.] // arXiv preprint arXiv:2107.02314. — 2021.

200. Myronenko, A. 3D MRI brain tumor segmentation using autoencoder regularization / A. Myronenko // Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 4th International Workshop, BrainLes 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 16, 2018, Revised Selected Papers, Part II 4. — Springer. 2019. — C. 311—320.

201. Swin-unet: Unet-like pure transformer for medical image segmentation / H. Cao [h gp.] // European conference on computer vision. — Springer. 2022. — C. 205—218.

202. Swin transformer: Hierarchical vision transformer using shifted windows / Z. Liu [h gp.] // Proceedings of the IEEE/CVF international conference on computer vision. — 2021. — C. 10012—10022.

203. Loshchilov, I. Decoupled Weight Decay Regularization / I. Loshchilov, F. Hutter // International Conference on Learning Representations. — 2019.

204. Learning rich features with hybrid loss for brain tumor segmentation / D. Huang [и др.] // BMC Medical Informatics and Decision Making. — 2021. — Т. 21. — С. 1—13.

205. MONAI: An open-source framework for deep learning in healthcare / M. J. Cardoso [и др.]. — 2022. — arXiv: 2211.02701 [cs.LG]. — URL: https: //arxiv.org/abs/2211.02701.

206. Swin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors in MRI Images / A. Hatamizadeh [и др.] // Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries / под ред. A. Crimi, S. Bakas. — Cham : Springer International Publishing, 2022. — С. 272—284.

207. Automated model-based tissue classification of MR images of the brain / K. Van Leemput [и др.] // IEEE Transactions on Medical Imaging. — 1999. — Т. 18, № 10. — С. 897—908.

208. Pooley, R. A. Fundamental physics of MR imaging / R. A. Pooley // Radiographics. — 2005. — Т. 25, № 4. — С. 1087—1099.

209. Clinical evaluation of the new 12-lead ECG noninvasive epi-endocardial mapping technology / M. Chmelevsky, S. Zubarev, S. Khamzin, A. Dokuchaev, A. Bazhutina, A. M. Sinitca, M. Budanova, A. Auricchio // Europace. — 2023. — Т. 25, Supplement_1. — euad122—647.

210. A.O. Ribeiro, M. Left ventricle segmentation combining deep learning and deformable models with anatomical constraints / M. A.O. Ribeiro, F. L.S. Nunes // Journal of Biomedical Informatics. — 2023. — Т. 142. — С. 104366.

211. Ngo, T. A. Combining deep learning and level set for the automated segmentation of the left ventricle of the heart from cardiac cine magnetic resonance / T. A. Ngo, Z. Lu, G. Carneiro // Medical Image Analysis. — 2017. — Т. 35. — С. 159—171.

212. 2016 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure / P. Ponikowski [и др.] // European Heart Journal. — 2016. — Июль. — Т. 37, № 27. — С. 2129—2200m. — URL: https://academic.oup. com/eurheartj/article/37/27/2129/1748921.

213. Optimal image reconstruction intervals for noninvasive visualization of the cardiac venous system with a 64-slice computed tomography / R. Mlynarski [h gp.] // International Journal of Cardiovascular Imaging. — 2009. — T. 25, № 6. — C. 635—641. — URL: https://pubmed.ncbi.nlm.nih.gov/19415522/.

214. Coronary sinus anatomy by computerized tomography, overlaid on live fluoroscopy can be successfully used to guide left ventricular lead implantation: A feasibility study / Z. Alikhani [h gp.] // Journal of Interventional Cardiac Electrophysiology. — 2013. — Anp. — T. 36, № 3. — C. 217—222. — URL: https://pubmed.ncbi.nlm.nih.gov/23196855/.

215. Mlynarski, R. Anatomical variants of coronary venous system on cardiac computed tomography / R. Mlynarski, A. Mlynarska, M. Sosnowski // Circulation Journal. — 2011. — T. 75, № 3. — C. 613—618. — URL: https: //pubmed.ncbi.nlm.nih.gov/21242643/.

216. Unet++: A nested u-net architecture for medical image segmentation / Z. Zhou [h gp.] // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support: 4th International Workshop, DLMIA 2018, and 8th International Workshop, ML-CDS 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 20, 2018, Proceedings 4. — Springer. 2018. — C. 3—11.

217. Enhanced Automatic Segmentation of Epi-Endocardial Ventricular Anatomy Using Multi-Architecture Neural Network Ensemble / C. Arduino, S. Zubarev, M. Budanova, M. Chmelevsky, S. Rud, D. Viktorovich Sudas, D. Kriukov, G. Trufanov, A. M. Sinitca // 2024 Computing in Cardiology Conference (CinC). T. 51. — Computing in Cardiology, 12.2024. — (CinC2024).

218. Enhanced Automatic Coronary Sinus Veins Segmentation Model Based on Hausdorff Distance Loss Function and Multi-Architecture Neural Network Ensemble / C. Arduino, S. Zubarev, M. Budanova, M. Chmelevsky, S. Rud, A. M. Sinitca // 2024 Computing in Cardiology Conference (CinC). T. 51. — Computing in Cardiology, 12.2024. — (CinC2024).

219. A Machine Learning-Based Approach for Automatic Coronary Sinus Vein Segmentation and Anatomy Reconstruction / A. M. Sinitca, M. Chmelevsky, S. Zubarev, A. Shirshin, A. Dokuchaev, M. Budanova,

C. Arduino, S. Khamzin, A. Bazhutina, S. Rud [h gp.] // 2023 Computing in Cardiology (CinC). T. 50. — IEEE. 2023. — C. 1—4.

220. First Results from Cardiac Resynchronization Therapy Delivery Guided by Non-Invasive Electrical and Venous Anatomy Assessment (CRT-DRIVE) Clinical Trial / M. Chmelevsky, D. J. Friedman, M. P. Lopez, L. Mont, G. Kollias, H. Pürerfellner, T. Ozkartal, S. Zubarev, M. Budanova, S. Khamzin, A. Dokuchaev, A. Bazhutina, A. M. Sinitca, W. Rainer, A. Auricchio // Heart Rhythm. — 2024. — T. 21, № 5. — S680—S681.

221. An Ensemble of Machine Learning Models for Multilabel Classification of Cardiovascular Diseases by ECGs / A. Bazhutina, S. Khamzin, A. M. Sinitca, M. Chmelevsky, S. Zubarev, M. Budanova, W. Rainer // 2023 Computing in Cardiology (CinC). T. 50. — IEEE. 2023. — C. 1—4.

222. Analysis of Interindividual Variance in Coronary Sinus Veins Anatomy Based on Computer Tomography Data / A. M. Sinitca, A. Dokuchaev, C. Arduino, S. Zubarev, M. Budanova, S. Rud, A. Bazhutina, S. Khamzin, M. Chmelevsky // 2024 Computing in Cardiology Conference (CinC). T. 51. — Computing in Cardiology, 12.2024. — (CinC2024).

223. Impact of CRT Device Settings on Interventricular Dyssynchrony: An Analysis Using Non-Invasive Activation Map Reconstruction / S. Khamzin, S. Zubarev, A. Bazhutina, M. Budanova, A. Dokuchaev, A. M. Sinitca, M. Chmelevsky // 2024 Computing in Cardiology Conference (CinC). T. 51. — Computing in Cardiology, 12.2024. — (CinC2024).

224. Assessment of 12-Lead ECG-based Noninvasive Electroanatomical Mapping Accuracy: Incorporating Fibrosis Data in Advanced Computational Algorithms / A. Bazhutina, S. Khamzin, A. M. Sinitca, M. Chmelevsky, M. Budanova, A. Dokuchaev, O. Aparina, E. M. Rimskaya, O. Stukalova, S. Ternovoy, S. Golitsyn // 2024 Computing in Cardiology Conference (CinC). T. 51. — Computing in Cardiology, 12.2024. — (CinC2024).

225. Cell segmentation in phase contrast microscopy images via semi-supervised classification over optics-related features / H. Su [h gp.] // Medical image analysis. — 2013. — T. 17, № 7. — C. 746—765.

226. Micro-Net: A unified model for segmentation of various objects in microscopy images / S. E. A. Raza [h gp.] // Medical image analysis. — 2019. — T. 52. — C. 160—173.

227. Kostrykin, L. Globally optimal segmentation of cell nuclei in fluorescence microscopy images using shape and intensity information / L. Kostrykin, C. Schnorr, K. Rohr // Medical image analysis. — 2019. — T. 58. — C. 101536.

228. Segmentation of cellular patterns in confocal images of melanocytic lesions in vivo via a multiscale encoder-decoder network (med-net) / K. Kose [h gp.] // Medical Image Analysis. — 2021. — T. 67. — C. 101841.

229. Automatic segmentation of dermoscopy images using saliency combined with Otsu threshold / H. Fan [h gp.] // Computers in biology and medicine. — 2017. — T. 85. — C. 75—85.

230. Chang, Y. Improving the Otsu method for MRA image vessel extraction via resampling and ensemble learning / Y. Chang // Healthcare technology letters. — 2019. — T. 6, № 4. — C. 115—120.

231. A generalization of Otsu method for linear separation of two unbalanced classes in document image binarization / E. I. Ershov [h gp.] // Computer Optics. — 2021. — T. 45, № 1.

232. Huang, D.-Y. Optimal multi-level thresholding using a two-stage Otsu optimization approach / D.-Y. Huang, C.-H. Wang // Pattern Recognition Letters. — 2009. — T. 30, № 3. — C. 275—284.

233. Ying-liang, L. Y. Z. Quick approach of multi-threshold Otsu method for image segmentation / L. Y. Z. Ying-liang // Journal of Computer Applications. — 2011. — T. 31, № 12. — C. 3363.

234. Bindu, C. H. An efficient medical image segmentation using conventional OTSU method / C. H. Bindu, K. S. Prasad // International Journal of Advanced Science and Technology. — 2012. — T. 38, № 1. — C. 67—74.

235. Improved online event detection and differentiation by a simple gradient-based nonlinear transformation: Implications for the biomedical signal and image analysis / A. Sokolova [h gp.] // Biomedical Signal Processing and Control. — 2021. — T. 66. — C. 102470.

Список рисунков

1.1 Возможные результаты при бинарной классификации......... 22

1.2 Общий вид алгоритма многоплоскостного (трёхплоскостного) ансамблирования[114]........................... 39

1.3 Общий вид алгоритма ансамблирования плоских и объёмных моделей[37]................................. 39

2.1 Последовательность обработки изображений [117]........... 43

2.2 Пример процедуры устранения фона для микроскопического изображения с одиночной царапиной (слева направо): (а) исходное изображение I, (б) оценка фона 1ъд, (в) изображение без тренда . 45

2.3 Сравнение результатов выделения границ с предварительным удалением фона и без него [117] ..................... 45

2.4 Регрессия средней плотности границ по плотности клеточного монослоя для четырёх различных алгоритмов обнаружения границ . 50

2.5 Средние значения, стандартные отклонения и коэффициенты вариации плотности границ для различных порогов, используемых

в алгоритме обнаружения границ Кэнни [117] ............. 50

2.6 Корреляция между средней плотностью границ и общим покрытием ячеек для различных порогов, используемых в алгоритме обнаружения границ Кэнни [117] .............. 51

2.7 Оценка закрытия области царапин на монослое клеток НиТи80 в течение 3 дней культивирования [117].................. 53

2.8 Относительная ошибка качества сегментации в зависимости от

порога плотности границ [117] ...................... 55

2.9 Относительная ошибка оценки общей площади, покрытой

ячейками, в зависимости от порога плотности границ [117]...... 56

2.10 Сегментация микроскопических изображений культуры клеток

МСР7 с различной плотностью монослоя [117]............. 57

2.11 Гистологические образцы (слева) с окрашиванием по Мэллори (вверху) и гематоксилин-эозином (внизу) с соответствующими тепловыми картами, указывающими их локальную плотность

границ (справа) [117] ........................... 59

2.12 Сегментация нативной и регенерированной ткани на гистологических образцах с окрашиванием по Мэллори с использованием локальной плотности границ [117]........... 61

2.13 Сегментация нативной и регенерированной ткани на гистологических образцах с окрашиванием гематоксилин-эозином с использованием локальной плотности границ [117]........... 62

2.14 Типичные примеры изображений из каждого подмножества набора

изображений BBBC019v2 [125], где наблюдалось снижение точности сегментации в полностью автоматическом режиме, обозначающие (слева направо): (а) необработанные изображения, (b) эталонная сегментация с помощью ручной экспертной оценки, (с) результаты сегментации, полученные с использованием предлагаемого алгоритма с автоматическим пороговым значением Otsu, (d) аналогично c, но с вручную настроенным пороговым значением решения на основе ручной оценки экспертом в предметной области [117]..................................... 67

2.15 Улучшение оценки валидации Dice в зависимости от количества шагов обучения (30 шагов на эпоху обучения) для экспертной маркировки (чёрная кривая) и автоматической маркировки с выбором одного объекта и без него (голубая и пурпурная кривые соответственно) [117]............................ 69

2.16 Сравнение эффективности сегментации предлагаемого подхода в полностью автоматическом режиме с использованием порогового значения Otsu с рассматриваемым современным подходом на основе машинного обучения, оцененным с использованием метрик IoU, Dice и Accuracy, протестированным как с сегментацией отдельных объектов, так и без нее [117]................. 70

2.17 Схема пользовательского интерфейса программного обеспечения: (A) список изображений, отправленных на анализ; (B) параметры алгоритма сегментации, включая (C) параметры импорта цветового канала; (D) выбранное изображение с визуализацией результатов сегментации в реальном времени; (E) элементы управления алгоритмом сегментации для онлайн-регулировки его чувствительности и разрешения; (F) меню экспорта файла [117] ... 72

2.18 Последовательность анализа динамических характеристик

миграции бактерий с использованием предложенного метода..... 75

2.19 Визуализация вычислительного эксперимента по моделированию Броуновского движения. (А) Исходный кадр эксперимента; (Б) маскированный кадр для анализа только целевого объекта...... 79

2.20 Оценка флуктуационных функций для траекторий броуновского движения.................................. 80

2.21 Оценка флуктуационных функций для оптического потока броуновского движения .......................... 81

2.22 Визуализация эксперимента 2. Вверху — реализация случайной зависимости радиуса от времени при Н = 0.9, внизу - визуализация кадра в моменты времени ....................... 82

2.23 Результаты эксперимента 2 в формате коробчатой диаграммы для оценки ФФ методом ЭРА по известной последовательности приращений (синий) и предложенным методом на основе оптического потока (оранжевый)..................... 84

3.1 Графики нечётких рангов на основе нелинейных функций,

обозначающих вероятность класса [184]................. 87

3.2 Сегментация областей с патологическими клетками (изображение из [198]). Панель А: контрастирующая опухоль (ЕТ - желтый). Панель В: неконтрастирующее некротическое ядро опухоли (КЕТС - красный). Панель С: комбинированная окружающая подобласть (БКЕТ - синий). Панель Э: три метки, наложенные на выделенное

МРТ-изображение. Панель Е: цветовая модель ИВС [184] ...... 93

3.3 Схема предлагаемого метода сегментации трехмерных изображений компьютерной томографии на примере глиобластомы на МРТ-снимке [184] ............................. 95

3.4 Визуализация процедур предварительной обработки (отдельный срез 3Э-изображения). Исходное изображение в левом столбце, предварительно обработанное (входное) изображение в

центральном столбце, предварительно обработанная метка в правом столбце. Класс ЕТ — желтый, WT — зеленый, ТС — синий [184] . . 96

3.5 Кривые потерь и обучения для модели SegResNet [184]........100

3.6 Кривые потерь и обучения для модели UNETR [184] .........100

3.7 Кривые потерь и обучения для модели БштИКЕТЯ [184].......100

3.8 Визуализация прогнозов. Слева направо: входное МРТ-изображение, прогноз модели 8е§КеэКе1;, прогноз модели ИКЕТЯ, прогноз модели БштИКЕТК, результат слияния с использованием предложенного метода, метка истинности. Класс

ЕТ — желтый, — зеленый, ТС — синий [184] ...........101

3.9 Диаграммы ящиков моделей абляции в терминах метрик Дайса и Хаусдорфа. Критерий рангов знаков Вилкоксона р-значение аннотация ^еп^пэ: 5 х 10-2 < р ^ 1, *: 10-2 < р ^ 5 х 10-2, **:

10-3 < р < 10-2, ***: 10-4 < р < 10-3, ****: р < 10-4 [184]......104

4.1 Иллюстрация последовательности сбора данных для обучения и валидации моделей и алгоритмов сегментации желудочков сердца и

вен коронарного синуса..........................112

4.2 Скрипичная диаграмма и коробчатая диаграмма распределения размеров изображений КТ по осям х (коронарная), у (сагиттальная), z (аксиальная) для обучающих и тестовых выборок . 114

4.3 Скрипичная диаграмма и коробчатая диаграмма распределений объёмов венозных систем КС для обучающей и тестовой выборки . . 114

4.4 Скрипичная диаграмма и коробчатая диаграмма распределений рентгеновской плотности венозных систем КС для обучающей и тестовой выборки .............................115

4.5 Скрипичная диаграмма и коробчатая диаграмма распределений объёмов рассматриваемых анатомических структур желудочков сердца для обучающей и тестовой выборки ............... 116

4.6 Скрипичная диаграмма и коробчатая диаграмма распределений рентгеновской плотности рассматриваемых анатомических

структур желудочков сердца для обучающей и тестовой выборки . . 116

4.7 Результирующая сегментация от ансамблевого классификатора (слева), ручная сегментация полостей и стенки, используемая в качестве наземной истины (справа). Можно идентифицировать различные области с помощью меток серой шкалы цветов (1: Полость левого желудочка, 2: Стенка, 3: Полость правого желудочка) [217]..............................120

4.8 Коробчатые диаграммы для оценки показателей качества сегментации стенки, полостей левого и правого желудочков на тестовой подгруппе ............................121

4.9 Ручная сегментация коронарного синуса и ветвей на основе необработанных компьютерных томографических изображений. Снимки представлены в стандартных клинических проекциях .... 122

4.10 Диаграмма распределения показателей качества Dice, HD и MSD,

по результатам тестирования ансамблей для сегментации КС . . . . 126

4.11 Ручная сегментация вен КС, выполненная экспертами, использованная в качестве наземной контрольной точки (справа); сегментация, полученная с помощью ансамблевого классификатора (слева) [218].................................126

4.12 Схема высокоуровневой архитектуры конвейера сервиса оценки электрической карты активации в части интеграции сервисов сегментации вен коронарного синуса (segmentation-cs-service) и желудочков (segmentation-v-service)...................128

4.13 Схема архитектуры сервиса сегментации вен коронарного синуса и желудочков.................................129

4.14 Пример результата автоматической работы разработанной системы. Серая модель — вены коронарного синуса, цветная — желудочки сердца с нанесённой цветовой разметкой оценённой карты электрической активации, зелёный маркер — точка ввода катетера в вену коронарного синуса, красный маркер — рекомендуемая

позиция для установки электрода .................... 131

А.1 Результаты перекрёстной проверки результатов сегментации, полученных в полностью автоматическом режиме с пороговым значением Otsu, оценены с использованием метрики 1ои для набора

изображений ВВВС019у2..........................172

А.2 Аналогично рис. А.1, но оценено с использованием коэффициента

Дайса-Серенсена...............................173

А.3 Аналогично рис. А.1, но оценивается с использованием метрики

точности...................................174

А.4 Сравнение эффективности сегментации в полностью

автоматическом режиме с использованием порогового значения 01эи, оценённого с использованием метрики 1оИ, для набора изображений БББС019у2, протестированного как с устранением фона, так и без него, а также сегментации отдельных объектов во всех возможных комбинациях. Результаты сравниваются с ручной сегментацией, а также тремя альтернативными методами, включая 18ега1еЬ, шиШСе118е§ и ^ршап. Результаты приведены для настройки разрешения, соответствующей размеру окна 40 х 40

пикселей...................................175

А.5 Аналогично рис. А.4, но оценено с использованием коэффициента

Дайса-Серенсена...............................176

A.6 Аналогично рис. А.4, но оценивается с использованием метрики точности...................................177

B.1 Свидетельство о регистрации программы для анализа поведения крупного рогатого скота на основе видеоданных............180

В.2 Свидетельство о регистрации программы для определения контура

микрораны с помощью компьютерного зрения ............. 181

В.3 Свидетельство о регистрации программы для

модельно-параметрического анализа биомеханики движений в задачах диагностики нейродегенеративных заболеваний ....... 182

В.4 Свидетельство о регистрации программы для

модельно-параметрического анализа траекторий объектов......183

Г.1 Патент «Method for automatic segmentation of coronary sinus» .... 184

Д.1 Акт внедрения в лечебный процесс ФГБУ «Национальный

медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения РФ...................185

Список таблиц

1 Классификационная таблица ....................... 21

2 Классификационная таблица ....................... 23

3 Краткое изложение характеристик первого набора изображений. . . 47

4 Статистические показатели точности сегментации, оценённые для 180 микроскопических изображений, включающих четыре подмножества, полученные в ходе эксперимента по скретч-анализу в разные дни, согласно экспериментальному протоколу [120], каждый из которых предусматривал два сценария, включая наилучший фиксированный порог для всего дневного подмножества изображений (Fixed), а также адаптивный порог,

выбранный в соответствии с критерием Otsu (Auto).......... 58

5 Медианные показатели качества, полученные при сравнительном анализе предложенного алгоритма. «BCA Otsu» — предложенный алгоритм с автоматическим выбором порога на основе Otsu, «BCA Otsu-BG» — с вычитанием фона...................... 65

6 Статистика объемов в тестовой выборке ................ 94

7 Сравнение производительности с точки зрения оценки Дайса и оценка статистической значимости разницы между базовой моделью и ансамблем с точки зрения p-значения, рассчитанного на основе знакового рангового критерия Вилкоксона............102

8 Сравнение производительности с точки зрения расстояния Хаусдорфа и оценка статистической значимости разницы между базовой моделью и ансамблем с точки зрения p-значения, рассчитанного на основе знаково-рангового критерия Вилкоксона . . 103

9 Сравнение предложенного метода с актуальными альтернативами . . 105

10 Оценка устойчивости модели к различным преобразованиям изображения: Гауссовский шум — стандартное отклонение распределения; Пространственный пиковый шум — значение логарифма интенсивности версии изображения в k-пространстве; Настройка контраста — значение логарифма интенсивности версии изображения в k-пространстве; Поле смещения — коэффициент

поля смещения................................107

11 Пятикратные перекрестные оценки сегментации желудочков

(Mean ± std, уровень кратности).....................119

12 Результаты тестирования ансамблей взвешенного среднего и нечёткого рангового ансамбля (НРА) для сегментации желудочков (Mean ± std, уровень выборки)......................120

13 Пятикратные оценки перекрестной проверки сегментации КС

(Mean ± std, уровень кратности).....................125

14 Результаты тестирования сегментации КС для базовых моделей и ансамблей среднего и нечёткого рангового ансамбля (НРА)

(Mean ± std, уровень выборки)......................125

15 SegResNet Test time Performance.....................178

16 SwinUNETR Test time Performance.....

17 UNETR Test time Performance.......

18 Fuzzy Rank Ensemble Test time Performance

178

179 179

Приложение А

Статистика тестирования производительности моделей сегментации

коллекции BBBCv2

1ои --- НЕК293

тапиа! 1 Ойи 0.9061 -ВО+СЯви 0.9039 СЯви+БО 0.9097 -ВО+С^и+БО 0.9068 тиКСеИБед 0.9021 гортап № гвсгагсИ №

тапиа! 1 Ойи 0.9557 -ВО+СЯви И СЯви+БО 0.957;

-ВО+С^и+БОЩ тиКСеИБед 0.962 гортап N гвсгагсИ №

тапиа!

Ойи -ВО+СЯви СЯви+БО -ВЗ+Ойи+БО тиШСеНБед гортап гвсгагсИ

1

!ои --- МюгоТМсНс

0.5399 0.5421 0.2402 0.2491 0.2905 0.4643 0.2611 1 0.958^ 0.3613 0.3394 0.2775 [0.6867] 0.3724 0.9587 1Н 0.336 0.3456 0.2737 0.6618 0.3624

0.5399 1 0.958^ 0.3613 0.3394

0.5421 |0.9587 0.336 0.3456

0.2402 |0.3613 | 0.9498

0.2491 |0.3394 0.3456 |0.9498 1

0.2905 0.2775 0.2737 0.164 0.1593

0.4643 0.6867 0.6618 0.2501 0.2652

0.164 0.2501 0.2299 0.1593 0.2652 0.2203 1Н 0.4398 0.3419

0.4643 0.6867 0.6618 0.2501 0.2652 0.4398 1 0.2611 0.3724 0.3624 0.2299 0.2203 0.3419 0.4149

тапиа! 1 Ойи 0.96 -ВО+СЯви И СЯви+БО 0.96 -ВО+С^и+БОЩ тиКСеИБед 0.96 гортап N гвсгагсИ №

!ои --- ЭЖб

Л«5-"

тапиа! Феи -BG+Otsu Otsu+SO -BG+Otsu+SO multiCellSeg topmaп tscratch

maпua! Otsu -BG+Otsu Otsu+SO -BG+Otsu+SO multiCellSeg topmaп tscratch