Методы и алгоритмы дифференциальной диагностики легочных заболеваний на основе анализа спектров локальных окон рентгенограмм грудной клетки тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Кудрявцев, Павел Сергеевич

• Кудрявцев, Павел Сергеевич
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Кудрявцев, Павел Сергеевич

Оглавление

Введение

1 Методы и средства интеллектуальной поддержки принятия решений при анализе и классификации рентгенограмм грудной клетки

1.1 Автоматизированные рабочие места рентгенологов

1.2 Рентгенологические медицинские алгоритмы для дифференциальной диагностики легочных заболеваний

1.3 Математические методы принятия решений в медицине

1.4 Состояние исследований и анализ технических и алгоритмических решений в области классификации и сегментации рентгеновских снимков

1.5 Цели и задачи исследования

2 Методы и алгоритмы для классификаторов рентгенограмм грудной клетки

2.1 Разработка структурно-функциональных решений для классификации рентгеновских снимков легких на основе анализа их локальных окон

2.2 Метод дифференциальной диагностики рентгенограмм грудной клетки на основе спектрального анализа изображений в локальном окне

2.3 Метод формирования слабых классификаторов на основе самоорганизующихся нейросетей

2.4 Выводы второго раздела

3 Алгоритмы и решающие правила оконных преобразований, предназначенных для построения классификаторов иерархической структуры в задачах обработки рентгенограмм грудной клетки

3.1 Разработка алгоритма классификации рентгеновских снимков легких

3.2 Разработка программно-алгоритмического обеспечения синтеза слабых классификаторов

3.3 Нахождение критериев смещения положения органов средостения на рентгеновском изображении легких

3.4 Разработка решающих правил для системы поддержки принятия решений

3.5 Структура автоматизированной системы классификации рентгеновских снимков легких

3.6 Выводы третьего раздела

4 Экспериментальные исследования показателей качества предложенных

классификаторов патологических морфологических образований на рентгенограммах грудной клетки

4.1 Разработка методов моделирования патологических морфологических образований на рентгенограмме грудной клетки

4.2 Оценка качества классификации морфологических образований на изображениях рентгенограмм грудной клетки

4.2.1 Критерий проверки качества классификации, основывающийся на количестве неправильно классифицированных пикселей

4.2.2 Критерий оценки качества выделения морфологических структур на рентгенограммы грудной клетки, учитывающий взаимное расположение ошибочно классифицированных пикселей

4.3 Выводы четвёртого раздела

Заключение

Список сокращений и условных обозначений

Список литературы

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы дифференциальной диагностики легочных заболеваний на основе анализа спектров локальных окон рентгенограмм грудной клетки»

Введение

Актуальность работы. Врачу-рентгенологу приходится просматривать большое количество рентгеновских снимков (РС), качество которых не всегда удовлетворительно, а размер сравнительно мал. Кроме того, яркость пикселей на изображении РС мало отличается у анатомических и патологических образований. Это затрудняет постановку диагноза врачом. Поэтому качественный анализ РС требует высокой квалификации врача-рентгенолога.

При анализе и обработке цифровых изображений РС в качестве информативной количественной характеристики используют только яркость пикселей РС, что может привести к ошибкам при дифференциальной диагностике легочных заболеваний. Например, рак легких или бронхов может сопровождаться пневмонией, а клинические симптомы рака появляются поздно, поэтому за счет схожести симптомов часты ошибки при дифференцировании рака легких и пневмонии.

Таким образом, разработка методов и алгоритмов интеллектуальной поддержки классификации патологических структур, в частности методов, основанных на применении нейронных сетей, позволяющих повысить качество дифференциальной диагностики легочных заболеваний и снижающих долю повторных рентгенологических исследований, является актуальной научно-технической задачей.

Степень разработанности темы исследования. Широкое распространение компьютерной техники и информационных технологий создает условия для увеличения объема автоматизированной обработки рентгеновских изображений. Примерами автоматизированной обработки являются системы «Видеотест-размер» фирмы «ВидеоТест»; «X-ray Lab 30 X-ray Images Digital Processor компании Gilardoni; «Advanced image processor»; система «Скрининг-

флюорография» центра медицинских информационных технологий «Медиал-МТ».

В мировой практике для автоматизированной обработки изображений используют методы распознавания, основанные на идее Виолы - Джонса, технологии бустинга и нейросетевых моделях классификаторов (технологии Bagging и Boosting используют множества базовых классификаторов с последующей агрегацией их решений, направленной на снижение ошибок первого и второго рода). В настоящее время получили широкое распространение так называемые гибридные технологии, позволяющие объединять в одном классификаторе технологии обучаемых классификаторов и технологии мягких вычислений.

Наиболее успешно задачу распознавания решают с помощью нейросетевых моделей. Разработке методов и алгоритмов идентификации и классификации образов посвящены работы АН. Галушкина, АН. Горбаня, Т. Кохонена, Ф. Уоссермена, Дж. Хопфилда. Однако в виду отсутствия единой методологии решения прикладных задач классификации изображений с помощью нейросетей, целесообразно применительно к каждой конкретной задаче выбирать не только их архитектуру, но и метод формирования пространства информативных признаков и метод обучения нейронной сети.

Объектом исследования являются медицинские рентгеновские снимки грудной клетки.

Предметом исследования являются методы и алгоритмы цифровой обработки и классификации полутоновых растровых изображений рентгенограмм грудной клетки.

Цель работы. Повышение качества дифференциальной диагностики легочных заболеваний путем создания методов, моделей и алгоритмов для автоматизированной классификации анормальных структур на рентгенограммах грудной клетки.

Для достижения данной цели были поставлены следующие задачи.

1. Разработка структурно-функциональных решений для классификации морфологических образований на рентгеновских снимках грудной клетки на основе анализа многомасштабных локальных окон.

2. Разработка метода классификации рентгенограмм грудной клетки на основе спектрального анализа изображений в локальном окне.

3. Разработка нейросетевых моделей слабых классификаторов, основанных на спектральном анализе локальных окон.

4. Разработка алгоритмического и программного обеспечения слабых классификаторов, основанных на анализе спектров локальных окон.

5. Разработка методов моделирования морфологических образований на рентгенограмме грудной клетки.

6. Проведение экспериментальных исследований предложенных методов, алгоритмов и моделей анализа и классификации рентгеновских снимков грудной клетки.

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

- предложена структура двухальтернативного классификатора пикселя полутонового изображения, включающая каскад параллельных «слабых» классификаторов и агрегатор их решений на конечной ступени классификации, отличающаяся использованием в качестве информативных признаков для слабых классификаторов оконных спектров Уолша, получаемых в окнах, дислокацию которых определяют координаты классифицируемого пикселя, позволяющая дифференцировать на рентгенограммах грудной клетки морфологические образования, относящиеся к различным легочным заболеваниям;

- метод классификации рентгенограмм грудной клетки, основанный на спектральном анализе изображений в локальном окне, отличающийся последовательностью масочных операторов, выполняющих пошаговую трансформацию оконного преобразования Уолша, позволяющий посредством выбора кортежа масочных операторов и его модификации синтезировать

классификаторы различных морфологических образований на рентгенограмме грудной клетки;

- нейросетевые модели классификации спектральных окон, предназначенные для реализации гибридных технологий сегментации рентгенограмм грудной клетки, отличающиеся алгоритмами обучения, построенными на сравнении спектра текущего фрагмента изображения со спектром целевого фрагмента, дислоцированного в том же сегменте рентгенограммы, что и классифицируемый фрагмент;

- методы моделирования патологических образований на рентгенограммах грудной клетки посредством модификации трех масштабных оконных спектров, образованных текущим пикселем, построенные посредством:

- приближения к статистическим характеристикам спектров окон трех масштабов к аналогичным спектрам морфологических образований заданной патологии в заданном сегменте;

- сети встречного распространения ошибки, обучаемой на образцах фрагментов рентгенограмм с заданным легочным заболеванием и фрагментов рентгенограмм без патологии, дислоцируемых в одних и тех же сегментах.

Теоретическая и практическая значимость работы состоит в том, что изложены методы построения классификаторов рентгенограмм грудной клетки, основанные на спектральном анализе многомасштабных спектральных окон, позволяющие осуществить дифференциальную диагностику легочных заболеваний изображений рентгенограмм грудной клетки с последующим нейросетевым анализом получаемого пространства информативных признаков. Разработанные методы, модели и алгоритмы составили основу автоматизированного места врача-рентгенолога. Применение предложенных в диссертации методов, алгоритмов и моделей классификации рентгеновских снимков позволит использовать интеллектуальные технологии в программах скрининговой дифференциальной диагностики легочных заболеваний.

Содержание диссертации соответствует паспорту научной специальности 05.11.17 - Приборы, системы и изделия медицинского назначения.

Работа выполнена при поддержке РФФИ (научный проект № 16-07-00164а «Методы и алгоритмы для интеллектуальной поддержки классификации рентгенограмм грудной клетки») и в соответствии с научным направлением Юго -Западного государственного университета «Разработка медико-экологических информационных технологий».

Результаты диссертационной работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке по программе магистров по направлению подготовки 12.03.04 - Биотехнические системы и технологии, и используются при компьютерной обработке рентгеновских снимков в больнице скорой медицинской помощи г. Курска.

Методы и средства исследований. Для решения поставленных задач использовались математический аппарат цифровой обработки изображений, теория нейронных сетей и нечеткой логики, методология спектрального анализа, методы экспертного оценивания и принятия решений. При разработке нейросетевых моделей и модулей нечеткого вывода в качестве инструментария использовался МЛТЬЛБ 8.

Положения, выносимые на защиту. 1. Структура двухальтернативных классификаторов пикселей полутонового изображения с использованием в качестве информативных признаков оконных спектров Уолша позволяет дифференцировать на рентгенограммах грудной клетки морфологические образования, относящиеся к различным легочным заболеваниям. 2. Метод классификации рентгенограмм грудной клетки, основанный на спектральном анализе изображений в локальном окне, позволяет посредством выбора кортежа масочных операторов и его модификации синтезировать классификаторы различных морфологических образований. 3. Нейросетевые модели классификации спектральных окон, построенные на сравнении спектра текущего фрагмента изображения со спектром целевого фрагмента, позволяют реализовать

гибридные технологии сегментации рентгенограмм грудной клетки. 4. Методы моделирования патологических образований на рентгенограммах грудной клетки посредством модификации трех масштабных оконных спектров позволяют оценить качество классификации патологических морфологических образований на рентгенограммах грудной клетки по различным критериям.

Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям теории цифровой обработки и классификации изображений и нейросетевого моделирования, а также аналогичным результатам, полученным другими исследователями. Метод и алгоритмы классификации рентгеновских снимков грудной клетки построены на теории морфологического, контурного и спектрального анализа изображений и согласуются с ранее опубликованными экспериментальными данными по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 10 международных и всероссийских конференциях: «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации (Распознавание - 2015)» (Курск, 2015); «Современные концепции научных исследований» (Москва, 2015); «Современные методы прикладной математики, теории управления и компьютерных технологий (Воронеж, 2015); «Физика и радиоэлектроника в медицине и экологии» (Владимир - Суздаль, 2016); «Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века» (Пермь, 2016 - 2017); «Актуальные проблемы энергоснабжения и эффективности в технических системах» (Тамбов, 2016); «Нейроинформатика, ее приложения и анализ данных» (Красноярск, 2016); «Лазерно-информационные технологии в медицине, биологии, геоэкологии и транспорте» (Новороссийск, 2016 - 2017) и на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2014 - 2017).

Публикации. Основные положения и результаты диссертационной работы опубликованы в 17 научных работах, включающих 5 статей в ведущих рецензируемых научных журналах и изданиях, 1 свидетельство о регистрации программ для ЭВМ.

Личное участие автора. Автор лично выполнил основной объем теоретических и экспериментальных исследований, разработал методы, алгоритмы и модели нейросетевых классификаторов, а также программы для обработки и анализа изображений, выполнил анализ полученных результатов и написал текст диссертации.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и библиографического списка, включающего 101 отечественных и 32 зарубежных наименований. Работа изложена на 152 страницах машинописного текста, содержит 61 рисунок и 4 таблицы.

1 Методы и средства интеллектуальной поддержки принятия решений при анализе и классификации рентгенограмм грудной клетки

1.1 Автоматизированные рабочие места рентгенологов

Согласно руководящему документу «СанПиН 2.6.1.1192-03: Гигиенические требования к устройству и эксплуатации рентгеновских кабинетов, аппаратов и проведению рентгенологических исследований» автоматизированное рабочее место (АРМ) рентгенолога или рентгенолаборанта - это программно-аппаратный комплекс, обеспечивающий сбор, цифровую обработку, визуализацию и архивирование медицинских рентгеновских изображений.

В настоящее время на рынке представлены многочисленные системы автоматизированных рабочих мест рентгенологов. Основными функциями подобных систем является хранение информации о пациентах и их рентгенографических обследованиях, возможности удаленного доступа к этим сведениям по сети, возможности интеграции подобных информационных систем с существующим оборудованием, а также ввод-вывод информации со специализированных сканеров, камер, принтеров и т.д. Например, АРМ MedicalVision позволяет систематизировать хранение и обработку рентгеновских снимков. Эта система подключается к стандартному рентгеновскому аппарату, который может выдавать снимки в формате DICOM 3.0. Также в системе присутствует возможность сканировать уже достаточно устаревшие, но еще широко используемые в России обычные пленочные снимки. Система MedicalVision хранит всю историю обследования пациента, все протоколы, обследования и заключения врачей, заменяя собой бумажную историю болезни. Удобный поиск и систематизация информации, вместе со всеми изображениями проведенных рентгенографических исследований позволяют отслеживать динамику заболевания, а также наблюдать за ответом организма на назначенное

лечение. Существует сетевая версия системы, построенная по архитектуре клиент-сервер. Эта архитектура позволяет использовать удаленные терминалы для работы, расположенные в локальной сети всего больничного комплекса. Такое решение очень удобно для объединения работы всех медицинских специалистов, ведущих пациента.

Известна программа профессора, д.м.н. Минаева Ю.Л. «Автоматизированное рабочее место (АРМ) врача-рентгенолога для компьютерной обработки пленочных рентгенограмм».

Основные возможности и функции этой программы:

- Функции быстрого доступа к информации,

- Возможность преобразовать и сохранить пленочные снимки в удобном цифровом формате,

- Для работы не нужны пленка, химикаты и проявочное оборудование с соответствующими расходами и причинами возможной аллергии,

- Возможность обработки старых снимков с переводом их в цифровой формат и последующего улучшения с применением передовых алгоритмов обработки,

- Рентгенограммы удобно просматривать, преобразовывать, пересылать по e-mail и хранить,

- Уменьшение/исключение необходимости повторных процедур, благодаря программным возможностям компенсации недостатков экспозиции,

- Интеграция диагностических форм: ортопантомограмм, интраоральных рентгенограмм и цифровых снимков,

- Интеграция снимков с информацией о пациенте в единой базе данных,

- Простое и удобное архивирование: на жестком диске, Flash-карте или CD можно хранить сотни высококачественных снимков,

- Эффективные коммуникативные возможности,

- Возможности по экспорту информации в Excel для последующей обработки и обобщения.

Достаточно известна на рынке фирма «МТЛ - Медицинские технологии», которая специализируется на ГГ-решениях для медицинских учреждений. Ее продукт «Автоматизированное рабочее место врача-клинициста «ДИАРМ-МТ»» обеспечивает оперативный доступ лечащих врачей и врачей-специалистов к обследованиям их пациентов, включая просмотр рентгеновских снимков и заключений [2]. Основные возможности этой системы:

- Поиск обследований пациента по фамилии, году рождения, типу и дате обследования;

- Просмотр всех предыдущих обследований пациента независимо от типа оборудования;

- Возможность свободно размешать одновременно несколько снимков на экране монитора;

- Быстрое изменение яркости/контраста, осуществляемое с помощью мыши;

- Перемещение и масштабирование снимка с помощью мыши;

- Масштабирование изображения в диапазоне от 5% (уменьшение масштаба в 20 раз), до 1000% (увеличение в 10 раз) с отображением точного числового значения текущего масштаба в процентах;

- Функция «Натуральный масштаб» выведение на монитор снимка в его натуральную величину;

- Инструменты настройки отображения снимка: повороты, отражения, инверсия, фильтры, позволяют быстро и удобно настроить отображение каждого снимка;

- Функция автоматической нормализации яркости как по всему изображению, так и по выбранной области интереса;

- Возможность сохранять личные настройки яркости/контраста для каждого снимка каждым врачом позволяет вернуться к снимку позже и увидеть его именно в том виде, в котором он был настроен;

- Фильтрация снимка: сглаживание, подчеркивание границ, шумоподавление;

- Широкий набор измерений на снимках: измерения длин отрезков, ломаных, площадей, углов, функция быстрых измерений;

- Специализированные измерения и аннотации для компьютерной томографии;

- Гибкая настройка текста, размещаемого на снимках в режиме просмотра и отдельно печати;

- Составление заключений с использованием базы заключений;

- Контроль доступа к медицинским данным и ограничение круга лиц, которые вправе описывать снимки и подписывать заключения.

Другая версия той же системы «ДИАРМ-МТ», предназначенная для врача-диагноста, согласно [44], анализирует результаты обследования, используя возможности обработки цифрового изображения (изменение яркости, контраста, увеличение, возможность измерения длин, площадей и т.д.), составляет заключение, используя имеющиеся готовые шаблоны и отправляет всю информацию в электронную базу данных.

Основные возможности этой системы:

- Просмотр ближайших запланированных обследований на данном рабочем месте;

- Доступ к списку обследований, описанных данным врачом за последнее время;

- Просмотр обследований всех типов пациента «одним списком». Если в систему включено несколько типов оборудования, то врач в процессе описания имеет доступ ко всем данным предыдущих обследований пациента всех типов, включая снимки, рентгеноскопию, заключения. Например, описывая обследование грудной клетки, сделанном на общем рентгене врач может просмотреть предыдущее томографическое обследование пациента, чтобы более точно установить диагноз;

- Возможность свободно отображать одновременно несколько снимков на экране монитора;

- Быстрое изменение яркости/контраста, осуществляемое с помощью мыши;

- Перемещение и масштабирование снимка с помощью мыши;

- Масштабирование изображения в диапазоне от 5% (уменьшение масштаба в 20 раз), до 1000% (увеличение в 10 раз) с отображением точного числового значения текущего масштаба в процентах;

- Функция «Натуральный масштаб» выведение на монитор снимка в его натуральную величину;

- Инструменты настройки отображения снимка: повороты, отражения, инверсия, фильтры;

- Функция автоматической нормализации яркости, как по всему изображению, так и по выбранной области интереса;

- Фильтрация снимка: сглаживание, подчеркивание границ, шумоподавление;

- Возможность сохранять личные настройки яркости/контраста для каждого снимка каждым врачом;

- Широкий набор измерений на снимках: измерения длин отрезков, ломаных, площадей, углов, функция быстрых измерений;

- Специализированные измерения и аннотации для компьютерной томографии;

- Гибкая настройка текста, размещаемого на снимках в режиме просмотра и отдельно печати;

- Печать снимков с указание на пленке аннотаций, данных обследований. Размещение нескольких снимков на одном листе, вывод части снимка на печать;

- Подготовка заключений с системой шаблонов заключений, настраиваемых по форме конкретного лечебного учреждения;

- Большой набор статистических отчетов;

- Доступ к списку обследований, описанных данным врачом за последние неделю, месяц, позволяет оперативно вернуться к обследованиям, если потребуется что-либо уточнить или объяснить;

- Время на отображение снимка обследования, проведенного не более чем за 1 год до текущей даты, не более 20 секунд;

- Инструменты настройки отображения снимка: повороты, отражения, инверсия, фильтры, позволяют быстро и удобно настроить отображение каждого снимка;

- Возможность сохранять личные настройки яркости/контраста для каждого снимка каждым врачом позволяет вернуться к снимку позже и увидеть его именно в том виде, в котором он был настроен;

- Аннотации снимков, широкий набор аннотации снимков: аннотации-измерения, текстовые пометки, позволяет точно отметить и описать участки интереса на снимке, нумерованные выноски, помогают сослаться на интересные места на снимке при составлении заключений либо при подготовке обучающих материалов. Аннотации можно перемещать по снимку, как в целом, так и некоторые их части, например, число выноски измерения длины можно разметить так, чтобы оно не мешало просмотру патологии;

- Экспорт изображений в форматах DICOM.

Также в России широко известна фирма «Рентгенпром» и ее рентгенологическая информационная система «Ариадна», которая обеспечивает ввод, хранение и анализ рентгенологических снимков, охватывает такие виды деятельности ЛПУ, как регистратура, отдел кадров, рабочие места врачей и лаборантов, рабочее место медицинского статистика [44].

Рентгенологическая информационная система (РИС) "АРИАДНА" предназначена для автоматизации работы лечебно-профилактических медицинских учреждений и охватывает регистратуру, отдел кадров, рабочие места врачей рентгенолога и фтизиатра, рабочее место медицинского статистика и процесс обследования пациентов в рентгенологическом кабинете. «АРИАДНА» состоит из базы данных, форм для просмотра, ввода и редактирования информации, системы отчётов для анализа и предоставления в вышестоящие организации и программы просмотра снимков. Система построена

по клиент-серверной технологии на основе реляционной базы данных Oracle. В системе довольно много функций разработано для обеспечения безопасности и существует возможность ограничивать функционал пользователей с соответствующим статусом.

АРМ врача рентгенолога содержит все необходимые для него справочники, журнал рентгеновских снимков, карточку пациента и информацию об очереди на приём. В функционал системы также заложены возможности описания рентгеновских снимков, проставление диагнозов, статистику по диагнозам, пациентам, снимкам в различных разрезах.

В АРМ рентгенолога включена возможность просмотра цифровых рентгеновских снимков посредством программы ПроСкан производства ЗАО "Рентгенпром". Данная программа позволяет осуществлять просмотр и занесение снимков в базу данных системы "АРИАДНА", управлять малодозовым цифровым сканирующим флюорографом ПроСкан-7000® (ЗАО "Рентгенпром"). Программа ПроСкан совместима с общепринятым стандартом DICOM З.О.Это позволяет включать в систему "АРИАДНА" цифровые снимки, сделанные другими медицинскими аппаратами.

Как отмечают разработчики системы "АРИАДНА" развитие системы идет по пути разработки АРМ онколога и применения графических средств анализа статистической информации. Планируются работы по доступу к информации "АРИАДНА" через Интернет, что позволит проводить удалённые консультации, а также будет незаменимым инструментом для врачей скорой помощи и при вызовах врача на дом.

1.2 Рентгенологические медицинские алгоритмы для дифференциальной

диагностики легочных заболеваний

Медицинский алгоритм — в клинической медицине пошаговый протокол для решения задач врачебной практики [56]. Медицинские алгоритмы являются основой для разработки автоматизированных рабочих мест врача с возможностями автоматизированной диагностики. Входными параметрами для медицинского алгоритма является совокупность клинических синдромов, выявленная у конкретного больного. По данным [51] к основным рентгенологическим синдромам относят следующие проявления:

1 Обширное затемнение легочного поля;

2 Ограниченное затемнение;

3 Круглая тень в легочном поле;

4 Кольцевидная тень;

5 Очаги и ограниченная диссеминация;

6 Диффузная диссеминация;

7 Патологические изменения корня легкого;

8 Патологические изменения легочного рисунка;

9 Обширное просветление.

Каждый из этих синдромов реализует свой диагностический алгоритм, который при наличии уточняющих синдромов и параметров может привести к постановке того или иного диагноза. При этом используется минимальное количество самых информативных признаков для дифференциальной диагностики у обнаруженного симптома. Ошибка определения информативного признака приводит к ошибке работы диагностического алгоритма. Правильность определения информативных признаков является достаточно актуальной научной задачей. Например, такой диагностический признак, как наличие или отсутствие смещения органов средостения, очень сложно поддается формализации. Конечно,

есть медицинские параметры и критерии, превышение порога которых может приводить к выводу о наличии смещения органов средостения. Однако многообразие клинических случаев, а также наличие пороговых и подпороговых значений не дает возможность в переходных зонах дать определенный ответ о наличии или отсутствии того или иного симптома. Отсюда выводы получаются размытыми, с определенной долей вероятности. Подтверждать те или иные предположения о диагнозе призваны дополнительные клинические исследования, анамнез и т.п.

Список литературы диссертационного исследования кандидат наук Кудрявцев, Павел Сергеевич, 2017 год

Список литературы

1. Абламейко, C.B. Обработка изображений: технология, методы, применение / C.B. Абламейко, Д.М. Лагуновский. - Мн.: Амалфея, 2000. - 304 с.

2. Автоматизированное рабочее место врача-клинициста «ДИАРМ-МТ» // МТЛ: Медицина, Технологии, Лидерство. - М.: АО «МЕДИЦИНСКИЕ ТЕХНОЛОГИИ Лтд», 2017. - URL: http://www.mtl.ru/products/it/diarm-clin (дата обращения 03.04.2017).

3. Аксёнов, С.В. Повышение качества распознавания сцен нейронной сетью «Неокогнитрон» / С.В. Аксёнов, В.Б. Новосельцев // Известия Томского политехнического университета. - 2006. - Т. 309, № 7. - С.87-91.

4. Акимов, А.В. Разработка и исследование алгоритмов распознавания изображений на основе метода Виолы-Джонса с использованием технологии вычислений на графических процессорах Cuda / А.В. Акимов, А.А. Сирота// Вестник ВГУ, Серия: системный анализ и информационные технологии. - 2014. -№ 3. - С. 105-108.

5. Антонов, О.С. Денситометрический анализ рентгенограмм грудной клетки с разделением их на классы «норма» и «патология» / О.С. Антонов, Д.К. Мантула, А.Н. Манохин // Вестник рентгенологии и радиологии. - 1988. - №3. -С. 55-60.

6. Антонов, О.С. Система получения, обработки, хранения и передачи диагностических изображений. Компьютерная технология работы рентгеновского отделения/ О.С. Антонов, А.О. Антонов, Р.И. Еникеева, Е.В. Виноградова // Радиология - практика. - 2001. - № 3. - С.57-60.

7. Ахметшина, Л.Г. Адаптивная инверсная фильтрация низкоконтрастных изображений на основе комбинации методов автоморфного отображения и нейросетевого синтеза / Л.Г. Ахметшина, А.М Ахметшин // Искусственный интеллект. - 2006. - №4. - C. 264-274.

8. Башков, Е.А. Статистическая кластеризация для выделения регионов изображений / Е.А. Башков, О.Л. Вовк // 1нтелектуальний аналiз шформацп: Збiрник праць V Мiжнародноi науково! конференцп. -, Кшв: «Просвгга», 2005. -С. 50-59.

9. Безруков, Н.С. Автоматизированная система диагностики заболеваний легких / Н.С. Безруков, Е.Л. Еремин, Ю.М. Перельман // Проблемы управления. -2007. - №5. - С.75-80.

10. Бейли, Н. Математика в биологии и медицине / Н. Бейли. - М.: Мир, 1970. - 327 с.

11. Беликова, Т.П. Моделирование линейных фильтров, для обработки рентгеновских изображений, в задачах медицинской диагностики / Т.П. Беликова; под ред. В.И.Сифорова, Л.П.Ярославского. - М.: Наука, 1990. - 176 с.

12. Белобров, А.П. Нейросетевые модели морфологических операторов для сегментации изображений биомедицинских сигналов / А.П. Белобров, С.А. Борисовский, Р. А. Томакова // Известия Южного федерального университета. Технические науки; Технологический институт Федерального государственного образовательного учреждения высшего профессионального образования "Южный федеральный университет". - 2010. - Т.109, №8. - С.28-32.

13. Белова, И.Б. Малодозовая цифровая рентгенография в. профилактических обследованиях населения / И.Б. Белова, В.М. Китаев // Радиология-практика. - 2001. - №2. - С. 22-26.

14. Беляев, И. А. Применение принципов формального моделирования для классификации медицинских изображений / И.А. Беляев, С.В. Кучерявский // Математика. Компьютер. Образование: сб. трудов XIV международной конференции. - Ижевск: Научно-издательский центр "Регулярная и хаотическая динамика", 2007. - Т2. - С. 355-361.

15. Блинов, Н.Н Преобразователи рентгеновских изображений. Разработка и перспективы / Н.Н. Блинов, Ю.В. Варшавский, М.И. Зеликман // Компьютерные технологии в медицине. - 1997. - №3. - С. 23-24.

16. Бондаренко, А.Н. Адаптивный двухступенчатый метод классификации изображений / А.Н. Бондаренко, А.В. Кацук // Искусственный интеллект. -Донецк: Институт проблем искусственного интеллекта МОН и НАН Украины, 2006. - №4. - С. 676-680.

17. Братко, И. Алгоритмы искусственного интеллекта на языке / И. Братко. -М.: Вильяме, 2004. - 640 с.

18. Вершовский, Е.А. Предварительная обработка изображений методами интеллектуального анализа многомерных данных / Е.А. Вершовский // Известия Южного федерального университета. Технические науки. - 2008. - Т. 79, №2. - С. 37-40.

19. Внебольничная пневмония у взрослых: практические рекомендации по диагностике, лечению, профилактике: пособие для врачей/ А.Г. Чучалин, А.И. Синопальников, Р.С. Козлов и др. - М., 2010. - 106 с.

20. Волков, И.И. Гибридная нейронная сеть с макрослоями на основе вероятностных моделей нечеткого логического вывода / И.И. Волков // Медико-экологические информационные технологии-2013: сборник материалов XVI Междунар. научн.-техн. конф. - Курск: ЮЗГУ, 2013. - С. 23-30.

21. Гай, Е.В. Адаптивный алгоритм сегментации изображений / В.Е. Гай, А.Л. Жизняков // Инфокоммуникационные технологии; Муромский институт (филиал) Владимирского государственного университета им. А.Г. и Н.Г. Столетовых. - 2008. - Т.6, №4. - С. 96-101.

22. Гимелъфарб, Г.Л. Гиббсовские случайные поля как вероятностные модели изображений на нижнем уровне вычислительного зрения / Г.Л. Гимелъфарб, А.В. Залесный // Методы обработки сигналов и полей: Межвузовский сборник научных трудов. - Ульяновск: УлПИ, 1995. - С. 22-34.

23. Гиренко, А.В. Методы корреляционного обнаружения объектов / А.В. Гиренко, В.В. Ляшенко [и др.]. - Харьков: АО «БизнесИнформ», 1996. - 112 с.

24. Гонсалес, Р. Цифровая обработка изображений в среде Matlab / Р. Гонсалес, Р. Вудс, С. Эддинс. - М.: Техносфера, 2006. - 616 с.

25. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. -М.: Техносфера. 2006. - 616 с.

26. Гороховатский, В.А. Корреляционные методы распознавания изображений путем голосования систем фрагментов / В.А. Гороховатский, Е.О. Передрий // Радиоэлектроника. Информатика. Управление. - 2009. - №1. - С. 7481.

27. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, В.П. Косых, Г.И: Перетягин, A.A. Спектор. - Новосибирск: Изд-во НГТУ, 2002. - 352 с.

28. Гуржиев, А.Н. Отображение цифрового рентгеновского снимка на экране компьютера: проблемы и пути их решения / А.Н. Гуржиев; С. Н; Гуржиев, А. В. Кострицкий // Радиология-практика. - 2003. - № 3. - С. 52-55.

29. Джуманов, О.И. Адаптивная нейросетевая система визуализации изображений, распознавания и классификации микрообъектов / О.И. Джуманов // Проблемы информатики. - 2009. - №5. - С. 63 - 72.

30. Дмитриев, А.В. Распознавание дерматоглифических признаков на основе нейронных сетей / А.В. Дмитриев, А.Н. Ветров // Медицинские информационные системы МИС-2006; Таганрогский государственный радиотехнический университет. - Таганрог, 2006. - С. 162-167.

31. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт; пер. с англ. под ред. В.Л. Стефанюка. - М.: Мир, 1976. - 502 с.

32. Дюдин, М.В. Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий многокритериального выбора / М.В. Дюдин, И.В. Зуев, С.А. Филист и др. // Вопросы радиоэлектроники. Серия «Системы и средства отображения информации и управления спецтехникой» (СОИУ). - 2015. - Выпуск 1. - С .130-140.

33. Дюдин, М.В. Математические модели для интеллектуальных систем классификации рентгенограмм грудной клетки / М.В. Дюдин, П.С. Кудрявцев, К.В. Подмастерьев и др.// Известия Юго-Западного государственного

университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2016. - № 2 (19). - С. 94-107.

34. Дюдин, М.В. Многоагентные многоуровневые классифицирующие структуры для анализа рентгеновских снимков грудной клетки / М.В. Дюдин, П.С. Кудрявцев, С.А. Филист // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2015: Сборник материалов XII Международной научно-технической конференции. Курск: ЮЗГУ, 2015. С. 115-117.

35. Дюдин, М.В. Нейросетевые модели принятия решений для диагностики заболеваний легких на основе анализа флюорограмм грудной клетки / М.В. Дюдин, Р.А. Томакова, М.В. Томаков // Биомедицинская радиоэлектроника. - 2014. - №9. - С.12-16.

36. Дюдин, М.В. Свидетельство о регистрации программы для ЭВМ № 2015614666. Программа сегментации сложноструктурируемых полутоновых изображений посредством обработки локальным масочным оператором и вычисления центров тяжести гистограмм / М.В. Дюдин, Р.А. Томакова, А.Е. Ханыков, П.С. Кудрявцев. М.: РосПатент; Заявитель и правообладатель Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования» Юго-Западный государственный университет». № 2015611433; заявлено 06.03.2015; дата регистрации 23.04.2015.

37. Дюдин, М.В. Способ выделения и классификации контуров легких на изображениях флюорограмм грудной клетки / М.В. Дюдин, С.А. Филист, П.С. Кудрявцев // Наукоемкие технологии. - 2014. - Т. 15, № 12. - С. 25-30.

38. Дюдин, М.В. Способ выделения контура изображения легких на рентгеновском снимке грудной клетки / М.В. Дюдин, В.В. Жилин, П.С. Кудрявцев и др. // Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2014. - № 4. - С. 107-114.

39. Жилин, В.В. Теоретические основы компьютерных технологий обработки многомерных данных: учебное пособие / В.В. Жилин, А.А. Кузьмин, С.А. Филист [и др.]; Курск. гос. сельскохозяйственная академия. - Курск, 2008. -229 с.

40. Жирков, В.Ф. Повышение эффективности алгоритмов распознавания путем оптимизации их параметров, основанной на имитационном статистическом эксперименте [Электронный ресурс] / В.Ф. Жирков, К.В. Новиков, М.А. Хебайши [и др.] // Цифровая обработка сигналов и её применение (DSPA-2004): доклады 6-й Международной конференции. - СПб, 2004. - Т.2. - # 60 [PDF, 181 Kb]. - URL: http://autex.spb.su/download/dsp/dspa/dspa2004/t2_60.pdf (дата обращения 15.06.16).

41. Жук, С.В. Обзор современных методов сегментации растровых изображений / С.В Жук // Известия Волгоградского государственного технического университета: Межвуз. сб. научн. ст.; ВолгГТУ. - Волгоград, 2009. -№6. - C. 115-118.

42. Журавель, И.М. Краткий курс теории обработки изображений // MATLAB. Exponenta: Image Processing Toolbox - Обработка сигналов и изображений. - М.: Copyright 2001-2014 Softline Co. - URL: http://matlab.exponenta.ru/imageprocess/book2/index.php (дата обращения 10.01 2017).

43. Захаров, А.В. Некоторые методы сравнительного исследования детекторов границ / А.В. Захаров, П.П. Кольцов, Н.В. Кравченко, А.С. Куцаев, А.С. Осипов // Труды НИИСИ РАН. - 2012. - Том 2, №1. - С. 4-13.

44. Компания ЗАО «Рентгенпром». Продукция // РЕНТГЕНПРОМ. - М.: РЕНТГЕНПРОМ, 2017. - URL: http://www.roentgenprom.ru/products/152-produkciya.html (дата обращения 03.02.2017).

45. Кудрявцев, П.С. Гибридные классификаторы в задачах классификации рентгенограмм грудной клетки / П.С. Кудрявцев, И.А. Малютина, Р.А. Томакова//Искусственный интеллект в решении актуальных социальных и

экономических проблем XXI века: сб. ст. по материалам Второй всерос. научн.-практ. конф. (г. Пермь, 16-17 мая 2017 г.). - С.64-69.

46. Кудрявцев, П.С. Метод и алгоритмы сегментации флюорограмм грудной клетки путем сканирования изображения разномасштабными окнами /П.С. Кудрявцев // Медицинские приборы и технологии: международный сборник научных статей. Вып.7. - Тула: Изд-во ТулГУ, 2017. - С.69-71.

47. Кудрявцев, П.С. Метод коррекции изображения рентгеновских снимков, основанный на учете глобальной информации об их структуре / П.С. Кудрявцев, А.А. Кузьмин, С.А. Филист [и др.] //12-я Международная научная конференция «Физика и радиоэлектроника в медицине и экологии» -ФРЭМЭ'2016» - Владимир - Суздаль, Россия, Доклады, Книга 1. - С. 160-164.

48. Кудрявцев, П.С. Методы повышения качества анализа рентгеновских снимков на основе комбинированных классификаторов / П.С. Кудрявцев, А.А. Кузьмин, О.В. Шаталова [и др.] //Нейроинформатика, ее приложения и анализ данных: Материалы XXIV Всероссийского семинара. - Красноярск: Институт вычислительного моделирования СО РАН, 2016. - С. 40-44.

49. 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. 10-14.

50. Кудрявцев, П.С. Структурно-функциональная модель для мониторинга влияния управляющих воздействий на функциональное состояние самоорганизующихся систем / П.С. Кудрявцев, А.Н. Шуткин, В.В. Протасова [и др.] // Прикаспийский журнал: управление и высокие технологии. Научно-технический журнал. - 2015. № 2 (30).-С105-119.

51. Линтенбратен, Л.Д. Медицинская рентгенодиагностика / Л.Д. Линтенбратен, Л.Б. Наумов. - М.: Медицина, 1983. - 384 с.

52. Луценко, М.Т. Автоматизированная система распознавания объектов на микроскопических изображениях биологических образцов / М.Т. Луценко, Н.В.

Ульянычев, Н.П. Семичевская // Бюллетень физиологии и патологии дыхания. -1999. - №3. - С. 83-89.

53. Мартынкина, Л.П. Информативность экспресс-латекс-тестов при использовании видеоцифровой регистрации / Л.П. Мартынкина, Т.А. Старовойтова, Н.А. Стериополо [и др.] // Клинико-лабораторный консилиум: научно-практический журнал. - СПб., 2009. - №6. - С.56-62.

54. Медицинская рентгенология: технические аспекты, клинические материалы, радиационная безопасность / Под ред. проф. Р.В. Ставицкого. - М.: МНПИ, 2003. - 344 с.

55. Медицинская рентгенология: технические аспекты, клинические материалы, радиационная безопасность / Под ред. проф. Р.В. Ставицкого, -М.: МНПИ, 2003. -344 с.

56. Медицинский алгоритм // Википедия — свободная энциклопедия. -Wikipedia — зарегистрированный товарный знак некоммерческой организации Wikimedia Foundation, Inc. - URL: https://ru.wikipedia.org/wiki/%D0%9C%D0%B5% D0%B4%D0%B8%D 1 %86%D0%B8%D0%BD%D 1 %81 %D0%BA%D0%B8%D0%B 9_%D0%B0%D0%BB%D0%B3%D0%BE%D 1 %80%D0%B8%D 1 %82%D0%BC (дата обращения 03.03.2017).

57. Минченков, М.В. Алгоритм автоматической сегментации растровых изображений, основанный на росте кластеров от максимумов R-величины [Электронный ресурс] / М.В. Минченков // Graphicon 2004: материалы международной конференции. - М., 2004. - 6 с. - URL: http://www.graphicon.rU/html/2004/Proceedings/Technical_ru/s 1 %5B2%5D.pdf (дата обращения 03.02.2017).

58. Моржаков, В. Современные биометрические методы идентификации / В. Моржаков, А. Мальцев //Безопасность. Достоверность. Информация. - 2009. - № 83. - С. 44-48.

59. Моросанова Н.А. Формальные свойства схемы Шортлифа / Н.А. Моросанова, С.Ю. Соловьев // Управление большими системами: сборник трудов. - Выпуск 36. - 2012. - С. 5-38.

60. Мурашов, Д.М. Метод автоматизированной сегментации изображений цитологических препаратов на основе модели активного контура / Д.М. Мурашов // Труды МФТИ. - 2009. - Том 1, №1. - C. 80-89.

61. Мякишева, Т.В. Цифровая маммография в клинической практике Текст. / Т.В. Мякишева // Медицинский бизнес. -2006. - № 10. - С. 62-64.

62. Мясников, В.В. Эффективные алгоритмы вычисления локального дискретного вейвлет-преобразования / В.В. Мясников // Компьютерная оптика. -2007. - Т. 31, №4. - С.86-94.

63. Низовцова, П.А. Выявление нелегочной патологии методом цифровой рентгенографии при скрининговых исследованиях органов грудной клетки / П.А. Низовцова, Н.Г. Багаева // Вестник рентгенологии и радиологии. - 2002. - №3. - С. 29-31.

64. Овчинников, А.А. Острые и хронические гнойные заболевания легких // Русский медицинский журнал. - 2002. - №23. - С. 1073.

65. Орлов, А.А. Алгоритм вычисления признаков отрезков на растровых изображениях основанный на вычислении градиента яркости / А.А.Орлов, М.И. Ткачук // Инфокоммуникационные технологии. - 2008. - Т. 6, № 3. - С. 36-41.

66. Осадчий, А.С Повышение эффективности рентгенодиагностики путем компьютерной обработки рентгенограмм / A.C. Осадчий, И.П. Королюк, Ю.Л. Минаев // Врач-аспирант. - 2007. - №6. - С. 501-507.

67. Осовский, С. Нейронные сети для обработки информации / С. Оссовский, пер. с польского под ред. И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.

68. Паламарь, И.Н. Метод сегментации изображений с применением выращивания областей и многомасштабного анализа / И.Н. Паламарь, П.В. Сизов

// Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. - Красноярск, 2010. - №3(29). - С.15-20.

69. Пат. 2148858 Российская Федерация, МПК G 06 К 9/00. Способ автоматической сегментации полутонового изображения по форме яркостной гистограммы / Мадонов А.Е., Белоконь С.П.; заявитель и патентообладатель Военная академия бронетанковых войск. - № 2007106412/09; заявл. 10.07.1998; опубл. 10.05.2000, Бюл. № 13. - 3 с. : ил.

70. Пат. 2325044 Российская Федерация, МПК Н 04 N 1/409, О 06 К 9/46. Градиентный способ выделения контуров объектов на матрице полутонового растрового изображения / Гданский Николай Иванович, Марченко Юлия Андреевна; патентообладатель Московский государственный университет инженерной экологии. - № 2007106412/09; заявл. 21.02.2007; опубл. 20.05.2008, Бюл. № 14. - 8 с. : ил.

71. Полякова, М.В. Контурная сегментация изображений с использованием вейвлет-анализа / М.В. Полякова, В.В. Любченко // Труды Одесского политехнического университета. - Одесса, 2004. - Вып. 1(21). - С. 1-5.

72. Портной, Л.М. Современные проблемы рентген-службы практического здравоохранения РФ и пути их решения / Л.М. Портной // Вестник рентгенологии и радиологии. - 2002. - № 3. - С. 4-22.

73. Потапов, А.А. Фрактальный метод, фрактальная парадигма и метод дробных производных в естествознании / А.А. Потапов // Вестник Нижегородского университета им. Н.И. Лобачевского. - 2012. - №5(2). - С. 172180.

74. Привалов, О.О. Автоматическая сегментация цифровых изображений медико-биологических препаратов методом кластерного анализа / О. О. Привалов, Л.Н. Бутенко // Современные наукоемкие технологии. - 2007. - №10. - С. 79-80.

75. Прэтт, У. Цифровая обработка изображений / У. Прэтт; пер. с англ. под ред. Д.С. Лебедева. - М.: Мир, 1982. - Т. 1. - 312 с.; - Т. 2. - 325 с.

76. Рентгенологические исследования грудной клетки. Практическое руководство / М. Хофер, Н. Абинадор, Л. Кампер и др. - М.: Медицинская литература, 2008. - 224 с.

77. Розенблатт, Ф. Принципы нейродинамики: персептроны и теория механизмов мозга (Principlesof Neurodynamic: Perceptronsand the Theory of Brain Mechanisms) / Ф. Розенблатт. - M.: Мир, 1965. - 480 с.

78. Розенштраух, Л.С. Дифференциальная рентгенодиагностика заболеваний органов дыхания и средостения: руководство для врачей: в 2-х т. / Л.С. Розенштраух, М.Г. Винер. - М.: Медицина, 1991. - Т. 1.- 352 с.

79. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. И.Д. Рудинского / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия Телеком, 2004. - 452 с.

80. Сирота, А.А. Статистические алгоритмы обнаружения границ объектов на изображениях / А.А. Сирота, А.И. Соломатин // Вестник ВГУ. Серия: Системный анализ и информационные технологии. - 2008. - № 1. - С.58-64.

81. Сойфер, В.А. Методы компьютерной обработки изображений / В.А. Сойфер. - М.: Физматлит, 2003. - 784 с.

82. Терзиян, А.В. Вероятностные метасети для решения задач интеллектуального анализа данных / А.В. Терзиян, В.Я. Витько // Искусственный интеллект. - 2002. - №3. - С. 188-197.

83. Томакова, Р.А. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных функций среды MATLAB / Р.А. Томакова, С.А. Филист // Вестник Читинского государственного университета. - 2012. - № 1 (80). -С. 3-9.

84. Томакова, Р.А. Нечеткая сетевая модель интеллектуального морфологического оператора для формирования границ сегментов / Р.А. Томакова, С.А. Филист, В.В. Руденко // Научные ведомости БелГУ. - Белгород: Изд-во БелГУ, 2011. - № 1(96), Вып. 17/1. - С.188-195.

85. Томакова, Р.А. Теоретические основы и методы обработки и анализа микроскопических изображений биоматериалов / Р.А. Томакова, С.А. Филист, С.Г. Емельянов. - Курск: Юго-Зап. гос. ун-т., 2011. - 202 с.

86. Уоссермен, Ф. Нейрокомпьютерная техника: теория и практика / Ф. Уоссермен; пер. с анг. под ред. Ю.А. Зуев. — М.: Мир, 1992. - 184 с.

87. Филист, С.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / С.А. Филист, К.Д. Али Кабус, А.А. Кузьмин и др. // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2016. -№ 4 (67). - С. 56-68

88. Фисенко, В.Т. Компьютерная обработка и распознавание изображений / В.Т. Фисенко, Т.Ю. Фисенко. - СПб.: СПбГУ ИТМО, 2008. - 192 с.

89. Фурман, Я.А. Цифровые методы обработки и распознавания бинарных изображений / Я.А. Фурман, А.Н. Юрьев, В.В. Яншин. - Красноярск: КГУ, 1992. -248 с.

90. Хлесткин, А.Ю. Выявление артефактов сердца методами преобразований спектров с применением окна поиска / А.Ю. Хлесткин, В.П. Кривозубов // Инфокоммуникационные технологии. - 2008. - №4. - С. 79-83.

91. Хлесткин, А.Ю. Дигитальное сканирование в. диагностике рентгенографических снимков / А.Ю. Хлесткин, P.P. Янгазов // Инфокоммуникационные технологии. - 2008. - № 4. - С. 91-96.

92. Хлесткин, А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами / А.Ю. Хлесткин, В.П. Кривозубов, A.B. Николаева // Инфокоммуникационные технологии. - 2006. - № 3. - С. 64-69.

93. Хрящев, Д.А. Об одном методе выделения контуров на цифровых изображениях / Д.А. Хрящев // Вестник Астраханского государственного технического университета. Сер.: Управление, вычислительная техника и информатика. - 2010. - № 2. - С. 181-187.

94. Цифровое преобразование изображений: учеб. пособие для вузов / P.E. Быков, Р. Фрайер, К.В. Иванов; A.A. Манцветов; под ред. проф. P.E. Быкова. - М.: Горячия линия-Телеком, 2003. - 228 с.

95. Чекотило, Е.Ю. Спектральный анализ вероятностных характеристик изображений / Е.Ю. Чекотило, П.К. Кузнецов // Вестник Самарского государственного технического университета. Серия «Физико-математические науки». - Самара, 2006. - №42. - С 212-215.

96. Чернецова, Е.А. Алгоритм классификации монохромных изображений с использованием нейронных сетей / Е.А. Чернецова // Вычислительные технологии. - 2008. - Т. 13, № 2. - С. 119-130.

97. Шокуров, А.В. Кодирование изображений с последующим возможным оптимальным декодированием / А.В. Шокуров // Фундаментальная и прикладная математика. - 2007. - Т. 13, №5. - С. 225—255.

98. Энгель, Е.А. Использование иерархических нейронных сетей для распознавания многоэлементных зрительных сцен / Е.А. Энгель, О.И. Завьялова // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. - 2009. - №3. - С. 39-43.

99. Якушенков, Ю.Г. Техническое зрение роботов / Ю.Г. Якушенков. - М.: Машиностроение, 1990. - С. 49-51.

100. Яне, Б. Цифровая обработка изображений / Б. Яне; пер. с англ. А.М. Измайловой. - М.: Техносфера, 2007. - 584 с.

101. Ярославский, Л.П. Введение в цифровую обработку изображений / Л.П. Ярославский. - М.: Совл радио, 1979. - 312 с.

102. Andriole, K.P. Workflow assessment of digital versus computed radiography and screen-film in the outpatient environment / K.P. Andriole, D.M. Luth, R.G. Gould // Digit Imaging. - 2002. - No. 15(1). - Pp. 124-126.

103. Azimifar, Z. Hierarchical multiscale modeling of wavelet - based correlations / Z. Azimifar, P. Feiguth, J. Jernigan // IEEE Transaction on image processing. - 2001. - Vol. 7. - Pp. 427-445.

104. Baatz, М. Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation / M. Baatz, A. Schape // Photogrammetry and Remote Sensing. - HerbertWichmannVerlag, 2004. - Volume 58, Issue 3-4. - Pp.239258.

105. Buchanan, B.G. Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project / B.G. Buchanan, E.H. Shortliffe. -Massachusetts: Addison-Wesley Publishing Company, 1984. - 754 p.

106. Cardoso, J.S. Toward a Generic Evaluation of Image Segmentation / J.S. Cardoso, L. Corte-Real // IEEE Transactions on Image Processing. - 2005. - Vol. 14, No. 11. - Pp.1773-1782.

107. Chen, J. Unsupervised dynamic texture segmentation using local spatiotemporal descriptors / J. Chen, G. Zhao, M. Pietikainen // Pattern Recognition (ICPR 2008): Proc. 19th International Conference. - Tampa, FL, 2008. - Pp. 1-4.

108. Ching-Wen, Ya. Computer-aided diagnostic detection system of venous beading in retinal images / Ya. Ching-Wen, M. DyeJyun, Ch. ShuennChing, W, ChuinMu, W. Chia-Hsien, L. ChienShun // Optical Engineering. - 2000. — No. 39(5). -Pp. 1293-1303.

109. Fowlkes, C. Efficient Spatiotemporal Grouping Using the Nystrom Method / C. Fowlkes, S. Belongie, J. Malik // Computer Vision and Pattern Recognition (CVPR-2001): IEEE Computer Society Conference. - Kauai, Hawaii, 2001. - Vol. 1. - Pp. 231238. - URL: http://vision.ics.uci.edu/papers/FowlkesBM_CVPR_2001/FowlkesBM_ CVPR_2001.pdf (дата обращения 22.10.2016).

110. Heckerman, D. From certainty factors to belief networks / D. Heckerman, E. Shortliffe // Artificial Intelligence in Medicine. - 1992. - Vol. 4. - Pp. 35 -52.

111. Hyndman, R.J. The problem with Sturges' rule for constructing histograms / R.J. Hyndman // ResearchGate. - Hannover, Copyright 2008-2017 researchgate.net. -1995. - 2 p. - URL: https://www.researchgate.net/publication/222105804 (дата обращения 26.11.2016).

112. Kittler, J. On combining classifiers [Electronic resource] / J. Kittler, et al. // IEEE Transactions on pattern Analysis and Machine Intelligence. - 1998. - Vol.20, No. 3. - Pp. 226-239. - URL: https://dspace.cvut.cz/bitstream/handle/10467/9443/1998-0n-combining-classifiers.pdf?sequence=1 (дата обращения 22.11.2016).

113. Kohonen, T. Self organization and associative memory / T. Kohonen // Springer Series in Information Sciences. - Third Edition. - Berlin: Springer Verlag, 1984. - Vol. 8. - 312 p.

114. Korenevskii, N.A. Synthesis of the Combined Fuzzy Rules for Medical Applications with Using Tools of Exploration Analysis / N.A. Korenevskii, F. Ionescu, A.A. Kuzmin, R.T. Al-Kasasbeh // Interdisciplinary Approaches in Fractal Analysis: proc. 4th IAFA Intern. Conference. - Bucharest, May 26-29, 2009. - Pp. 71 -78.

115. Kucheva, L. Decision Templates for Multiple Classifier Fusion / L. Kucheva, J. Bezdec, R. Duin // Pattern Recognition. - 2001. - Vol. 34(2). Pp. 299-314.

116. Liu, J. Multiresolution color image segmentation / J. Liu, Y.-H. Yang // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1994. - Vol. 16, No.7. - Pp. 689-700.

117. Morgan, K.Z. History of the International Radiation Protection Association / K.Z. Morgan // Health Phys. -1998. -Vol. 74(6). - Pp. 644-5.

118. Pat. US 20090080773 A1, IPC G 06 K 9/34. Image segmentation using dynamic color gradient threshold, texture, and multimodal-merging / inventors and applicants Mark Shaw, Ranjit Bhaskar, Luis Garcia Ugarriza, Eli SABER, Vincent Amuso. - US 11/858,826; filling 20.07.2007; publication 26.03.2009. - 16 р. : fig.

119. Pat. US 5351305 A, IPC G 06 K 9/40. Concurrent smoothing and edge enhancement of medical diagnostic images / Christopher H. Wood, Fares Hajjar, Anthony Apicella, Kevin E. Matthews; assignee Picker International, Inc. - US 07/893,785; filling 05.06.1992; publication 27.09.1994. - 8 р. : fig.

120. Pat. WO 2009143651 A1, IPC G 06 T 5/00. Fast image segmentation using region merging with a k-nearest neighbor graph / Mantao Xu, Qiyong Guo, Hongzhi

Liu, Jiwu Zhang; applicant Carestream Health, Inc. - PCT/CN2008/001046; filling 29.05.2008; publication 03.12.2009. - 16 р. : fig.

121. Qrossberg S. Some networks that can learn, remember and reproduce any number of complicated space-time patterns / S. Qrossberg // Mathematics and Mechanics. - 1969. - Vol. 19. - Pp. 53-91.

122. Richard, P. Wildes. Iris Recognition / P. Wildes Richard // An Emerging Biometric Technology: Proceedings of The IEEE. - 1997. - Vol. 85, No. 9. - Pp. 1347.

123. Salvini, E. Digital storage phosphor radiography. Doses and image quality / E. Salvini, G. Pedroli, G. Montanari, R. Pastori, A. Crespi, G. Zincone // Radiol. Med. -1994. - Vol. 87(6). - Pp. 847-851.

124. Sanfridsson, J. Radiation doseand image information in computed radiography. A phantom study of angle measurements in the weight-bearing knee / J. Sanfridsson, G. Holje, G. Svahn, L. Ryd, K. Jonsson // ActaRadiol. - 2000. - Vol. 41(4). - Pp. 310-316.

125. Satoh, S. Pattern Recognition System with Top Down Process of Mental Rotation / S. Satoh, J. Kuroiwa, H. Aso, S. Miyake // Neural Network: 5th Intern. Work Conference. - Alicante, 1999. - No. 1. - Pp. 816-825.

126. Satoh, S. Recognition of Hand written Patterns by Rotation invariant Neocognitron / S. Satoh, J. Kuroiwa, H. Aso, S. Miyake // Neural Information Processing: 5th Intern. Conf. - Tokyo, 1998. - No. 1. - Pp. 295-299.

127. Sharon, Eitan. Fast Multiscale Image Segmentation [Electronic resource] / Eitan Sharon, Achi Brandt, Ronen Basri // Proceedings IEEE Conference on Computer Vision and Pattern Recognition. - South Carolina, 2000. - Pp. 70-77. - URL: http://webee.technion.ac.il/people/eitan/publications/Segmentation_CVPR00_paper.pdf (дата обращения 24.12.2016).

128. Shi, J. Normalized Cuts and Image Segmentation [Electronic resource] / J. Shi, J. Malik // Computer Science Division; University of California at Berkeley. -Berkeley, 1997. - Pp. 731 - 737. - URL: http://www.sci.utah.edu/~gerig/CS7960-S2010/handouts/Shi-Malik-CVPR-1997.pdf (дата обращения 12.12.2016).

129. Van Droogenbroeck, M. Design of Statistical Measures for the Assessment of Image Segmentation / M. Van Droogenbroeck, O. Barnich // Computer Analysis of Images and Patterns (CAIP2005): proceedings of 11th International Conference; Lecture Notes in Computer Science. - 2005. - Vol. 3691. - Рp.280-287.

130. Veksler, O. Image Segmentation by nested cuts [Electronic resource] / O. Veksler // IEEE Conf. Computer Vision and Pattern Recognition. - 2000. - Vol. 1. - Pp. 339-344. - URL: http://www.csd.uwo.ca/~olga/Papers/cvpr00.pdf (дата обращения 03.03.2017).

131. Wilkie, J.R. Comparison of radiographic texture analysis from computed' radiography and bone densitometry systems / J.R. Wilkie, M.L. Giger, M.R. Chinander // Med. Phys. - 2004. - Vol. 31. - Pp. 882-891.

132. Yasnoff, W.A. Error measures for scene segmentation / W.A. Yasnoff, J.K. Mui, J.W. Bacus // Pattern Recognition. - 1977. - Vol.9, No 4. - Рp.217-231.

133. Zadeh, L.A. Advances in Fuzzy Mathematics and Engineering: Fuzzy Sets and Fuzzy Information-Granulation Theory / L.A. Zadeh. - Beijing: Beijing Normal University Press, 2005. - 507 p.