Методы и алгоритмы морфологического анализа изображений в автоматизированной системе диагностики диабетической ретинопатии тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат технических наук Брежнева, Александра Николаевна

  • Брежнева, Александра Николаевна
  • кандидат технических науккандидат технических наук
  • 2012, Курск
  • Специальность ВАК РФ05.11.17
  • Количество страниц 185
Брежнева, Александра Николаевна. Методы и алгоритмы морфологического анализа изображений в автоматизированной системе диагностики диабетической ретинопатии: дис. кандидат технических наук: 05.11.17 - Приборы, системы и изделия медицинского назначения. Курск. 2012. 185 с.

Оглавление диссертации кандидат технических наук Брежнева, Александра Николаевна

СОДЕРЖАНИЕ

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. МЕТОДЫ'ПРОЕКТИРОВАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ДИАГНОСТИЧЕСКИХ СИСТЕМ, АНАЛИЗИРУЮЩИХ СТРУКТУРУ ИЗОБРАЖЕНИЙ ГЛАЗНОГО ДНА

1.1. Особенности изображений глазного дна, получаемых посредством методики электронного фотографирования глазного дна с помощью ретинофота

1.2. Способы диагностики зрительных патологий

1.3. Программно-аппаратные комплексы, для реализации алгоритмов обработки изображений глазного дна

1.4. Интеллектуальные технологии для классификации объектов и принятия решений

1.5. Цели и задачи исследования

• ГЛАВА 2. ИНТЕЛЛЕКТУАЛЬНЫЕ ОПЕРАТОРЫ ДЛЯ СЕГМЕНТАЦИИ СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗО БР АЖЕНИЙ47

2.1. Исследование градиентных методов при сегментации

с л ожноструктуриру емых изображений

2.2. Разработка алгоритма сегментации сложноструктурируемых

изображений

2.3. Синтез м ор фо л оги чес ко го оператора для препарирования изображения 01

2.4. Нечеткая модель формирования бинарного изображения границы сегмента

2.5. Выводы второй главы

ГЛАВА 3. СПОСОБЫ И АЛГОРИТМЫ АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ СОСТОЯНИЯ ГЛАЗНОГО ДНА ПРИ

ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИИ

3.1. Алгоритмы формирования процедур анализа изображения глазного дна на примере диагностики диабетической ретинопатии

3.2. Процедуры препарирования изображения глазного дна для исследования на наличие диабетической ретинопатии

3.3. Процедуры измерения диаметра вен 1-го, 2-го и 3-го порядков при исследовании изображения глазного дна

3.4. Процедуры проверка изображения глазного дна на наличие экссудатов, отека макулы и кровоизлияния

3.5. Проблема масштабирования

3.6. Программная реализация функций предварительной обработки изображения глазного дна

3.7. Выводы третьей главы

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ ГЛАЗНОГО ДНА.

еевсевее в'« еевввв©ев©вов«е©©е®вв©ввв©в®©вв©ввв©ве©вв©вввввввев©вво©ев©ве©©о®©ввевв©вв©евевеввеввв

4.1. Разработка нейросетевых моделей принятия решений по результатам анализа фотографий флюоресцентных ангиограмм глазного дна

4.2. Структура автоматизированной системы анализа изображений глазного дна и алгоритм ее работы

4.3. Экспериментальные исследования качества сегментации изображения глазного дна при различных видах патологий

4.4. Выводы четвертой главы

3Л1Е ©в©е0евеввеевр®ее©вв®евв©оевееввеввееве©евевввв©©в©«е©во©евееввеввввввввввввввеввв©вевввв1вво«веве

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

^^-Р^-Р^^ТС^^^^ 1 ввое©©е©«евве®вЕе©в©о©©вв®©©в©в®ее«е©в©®«ев®е©еевв®вее©о®ве®©©©ее®®8в©©®е©ее®в»®еее©©©ее®в®ве

2 ®е©©«в©ввв©в©ввеевв©©вв©ввеввв©ввв#ев©в©в©ев©©©©в©в©в©©©в©еевв©вв©вввв©0вввв©вввввве©ввввв0е© 1

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ

АД - артериальное давление

ДЗН - диск зрительного нерва

ДР - диабетическая ретинопатия

ДЭ - диагностическая эффективность

ДС - диагностическая специфичность

ДЧ - диагностическая чувствительность

ИНС - искусственная нейронная сеть

ИО - истина отрицательна

ИП - истина положительна

КИ - коэффициент интенсивности

ЛО - ложь отрицательна

ЛП - ложь положительна

ЛПР - лицо, принимающее решение

ИСПР - нейронная сеть прямого распростронения

ОПФ - оконное преобразование Фурье

ПМ - продукционная модель

РБНС радиально-базисная нейронная сеть

СППР - система поддержки принятия решений

СД - сахарный диабет

ретинальный пигментный эпителий флуоресцентная ангиография глазного дна центральная хориоретинальная дистрофия экспертная система

Рекомендованный список диссертаций по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы морфологического анализа изображений в автоматизированной системе диагностики диабетической ретинопатии»

ВВЕДЕНИЕ

Актуальность темы. Диабетическая ретинопатия (ДР) занимает одно из первых мест среди глазной патологии, приводящей к полной потере зрения и инвалидности. Широкая распространенность сахарного диабета (СД) (в развитых странах болеют до 4 - 5% населения) влечет за собой и рост числа больных ретинопатией. Несмотря на совершенствование методов контроля состояния больных СД, потеря зрения в результате осложнений СД остается очень серьезной проблемой. Это обусловлено, с одной стороны, тем, что на ранних стадиях ДР больные не предъявляют жалоб на снижение зрения, с другой - тем, что поражение сетчатки на ранних стадиях заболевания очень трудно выявить: для этого необходим тщательный квалифицированный офтальмологический контроль с применением современных методик.

Основными методами диагностики ДР считаются офтальмоскопия и ФАГД (флуоресцентная ангиография глазного дна). Во врачебной практике наличие патологических аномалий на изображении глазного дна определяется визуальным способом, что связано с высокой трудоемкостью и субъективностыо оценки. Более того, эти изображения не имеют четкого морфологического описания сегментов и относятся к классу сложноструктурируемых изображений. При этом сложности структурирования таких изображений обусловлены как природой самою изображения, связанной с неравномерностью освещенности сегментов глазного дна и трудностями формализации описаний его морфологических структур, так и с зашумленностью хорошо структурируемых фрагментов изображения. Низкое качество сегментации таких изображений и отсутствие возможности объективного описания патологических структур приводит к тому, что большинство автоматизированных систем многоцелевого назначения не предназначены для определения патологий, а выполняют ряд

вспомогательных операций, позволяющих повысить оперативность и (или) качество принимаемых решений.

Таким образом, актуальной научно-технической задачей исследования является повышение качества диагностики патологических состояний на основе объективного анализа и количественной оценки патологических сегментов изображения глазного дна.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П424 от 12 мая 2010 г.) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Системы медицинского назначения для сегментации и классификации сложноструктурируемых изображений.

Предмет исследования. Методы и алгоритмы морфологического анализа изображений глазного дна для систем интеллектуальной поддержки диагностики диабетической ретинопатии.

Цель работы. Разработка методов и алгоритмов морфологического анализа изображений глазного дна для автоматизированной диагностики диабетической ретинопатии, обеспечивающих повышение качества выявления патологий в условиях нечетко выраженных границ сегментов.

Для достижения поставленной цели решены следующие задачи:

• исследовать методы и средства сегментации и классификации морфологических структур сложноструктурируемых изображений;

• разработать метод сегментации сложноструктурируемых изображений, предназначенный для автоматизированной системы морфологического анализа изображений глазного дна, а также структурные и алгоритмические решения для его реализации;

• разработать алгоритмическое и программное обеспечение для автоматизированной системы диагностики диабетической ретинопатии;

• разработать метод классификации морфологических образований на флюоресцентных ангиограммах глазного дна;

• провести апробацию предложенных методов, алгоритмов и специального программного обеспечения в клинической практике врача-офтальмолога.

Методы исследования. Для решения поставленных задач использовались методология искусственного интеллекта, методы морфологического анализа изображений, теории нейронных сетей и распознавания образов, теории нечеткой логики принятия решений, экспертного оценивания, статистического анализа, экспертного оценивания и принятия решений. При разработке нейросетевых моделей и модулей нечеткого вывода в качестве инструментария использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод сегментации сложноструктурируемых изображений, построенный на основе градиентной обработки исходного черно-белого изображения, отличающийся тем, что процесс получения бинарного изображения, отражающего морфологическую структуру исходного изображения, разбит на три последовательных этапа: на первом этапе получают векторизованное изображение, на втором этапе получают препарирован мое векторизованное изображение, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, о су ществл я е м ы й посредством нечеткой нейросетевой модели;

- интеллектуальный оператор, предназначенный для формирования границы сегмента, реализованный в виде многослойной нечеткой сети, включающей базу решающих правил и агрегирующие и классифицирующие слои, позволяющий реализовать итерационный процесс активации пикселей границы сегмента;

- гибридная нейронная сеть, отличающаяся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию патологических сегментов по пространственно-яркостным характеристикам пикселей изображения, и последовательно включенной радиально-базисной нейронной сетью, позволяющая классифицировать морфологические образования на фотографиях флюоресцентных ангиограмм глазного дна.

Практическая значимость и результаты внедрения работы.

Разработанные методы и алгоритмы составили основу построения автоматизированной системы для врача - офтальмолога, предназначенной для диагностики диабетической ретинопатии, экспериментальные испытания которой показали целесообразность ее использования в медицинской практике. Применение предложенных в диссертации разработок позволяет создавать информационное обеспечение для проведения лечебно-оздоровительных мероприятий.

Основные теоретические и практические результаты работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки эксперимеитальных данных»), в НИР 1.15.10Ф гос. per. № 01201059181 от 07.09.2010, выполняемой по заказу Министерства образования и науки РФ и использованы в ходе профилактических обследований больных сахарным диабетом в ОБУЗ Офтальмологическая клиническая больница - Офтальмологический центр (г. Курск).

Экономическая и социальная значимость результатов диссертационного исследования состоит в улучшении качества медицинского обслуживания населения, страдающего сахарным диабетом.

Соответствие диссертации паспорту научной специальности. Содержание диссертации соответствует п. 2 «Исследование, разработка и создание медицинской техники, изделий, инструментов, методов и способов диагностики и лечения человека, которые рассматриваются как средства восстановления нарушенной поливариантной системы» области исследования специальности 05.11.17 - Приборы, системы и изделия медицинского назначения.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Международной научно-практической конференции «Информационные технологии в медицинских и педагогических исследованиях (Курск, 2009); на XVII, XVIII и XIX Международных конференциях «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2009, 2010, 2011); на I Международной конференции «Инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург, 2010); IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль, 2010); на XIII и XIV Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2010, 2011); на Международной научно-технической конференции «Интегральные процессы в науке-2011» (Курск, 201 Г), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2009, 2010, 2011).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 14 печатных работ, из них 4 работы в рецензируемых научных

журналах.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [8], [10] и [13] автор предложил алгоритмы синтеза морфологических операторов для обработки изображений биомедицинских сигналов; в [2], [3], [4] и [11] соискателем предложены структуры нечетких нейросетевых решающих модулей и алгоритмы их обучения, предназначенных для сегментации изображений глазного дна; в [5], [7] и [12] автором разработаны алгоритмические решения анализа изображений глазного дна на основе нечеткого моделирования принятия решений; в [12] соискатель предложил гибридные нейросетевые информационные технологии сегментации изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 88 отечественных и 19 зарубежных наименований. Работа изложена на 132 страницах машинописного текста, содержит 55 рисунков и 7 табл иц.

Краткое содержание работы. В первой главе анализируется методы и технологии принятия решений для анализа и классификации сложных изображений. Исследованы системы искусственного интеллекта на основе нейросетевых технологий и нечеткого логического вывода. Определены специфические особенности интеллектуальных систем медицинского назначения. В заключение сформированы цели и задачи исследования.

Во второй главе разработан алгоритм сегментации сложноструктури-руемых изображений, построенный на основе градиентной обработки исходного черно-белого изображения. Сформирован морфологический оператор, основанный на операциях «дилатация» и «эрозия», разработана структура интеллектуального оператора синтеза границы сегмента, реализованная в виде многослойной нечеткой сетевой модели, включающей базу решающих правил и агрегирующие и классифицирующие слои, позволяющая реализовать итерационный процесс активации пикселей границы сегмента.

В третьей главе разработан алгоритм диагностики диабетической ретинопатии, включающий последовательность процедур проверки наличия патологических образований на изображении глазного дна. Разработан комплекс интерфейсных окон, предназначенных для анализа изображений глазного дна, отличающийся последовательностью процедур обработки изображения, включающих операции с компьютерной графикой и интерактивные режимы анализа в 1ШВ-пространстве, позволяющий осуществить подготовку изображения для процедур автоматической диагностики патологических образований. Разработана процедура измерения диаметра вен. Разработаны процедуры проверки изображения глазного дна на наличие экссудатов, отека ма-кулы и кровоизлияния, позволяющие определить площадь, геометрическую структуру и дислокацию патологического образования.

В четвертой главе разработан метод классификации морфологических образований на флюоресцентных ангиограммах глазного, основанный на гибридной технологии нейросетевого моделирования; разработана структура

гибридной нейронной сети и алгоритмы ее настройки, предназначенная для

)

классификации флюоресцентных ангиограмм глазного дна; разработана автоматизированная система анализа изображений глазного дна, которая обеспечивает поддержку принятия решений при диагностики офтальмологических и сопутствующих патологий. Предложены алгоритмы работы автоматизированной системы анализа изображений глазного дна и способ оценки эффективности сегментации. Проведены экспериментальные исследования моделей сегментации изображений глазного дна, получены характеристики выделения для ряда классов патологических образований и морфологических структур изображения глазного дна, приведена сравнительная оценка эффективности предложенных и известных способов сегментации. Полученные сравнительные характеристики известных методов диагностики и предлагаемой автоматизированной системы .

Похожие диссертационные работы по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК

Заключение диссертации по теме «Приборы, системы и изделия медицинского назначения», Брежнева, Александра Николаевна

4.4. Выводы четвертой главы

1. Разработан метод классификации морфологических образований на флюоресцентных ан программах глазного, основанный на гибридной технологии нейросетевого моделирования, позволяющий классификацировать патологические сегменты по пространственно-яркостным характеристикам пикселей изображения.

2. Разработана структура гибридной нейронной сети и алгоритмы ее настройки, предназначенная для классификации флюоресцентных анпрограмм глазного дна, отличающаяся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию патологических сегментов по пространственно-яркостным характеристикам пикселей изображения, и последовательно включенной РБНС, число локальных центров которой равно числу дифференцируемых патологических образований или морфологических структур, позволяющая реализовать интеллектуальную поддержку анализа изображений глазного дна.

3. Разработана автоматизированная система анализа изображений глазного дна, которая обеспечивает поддержку принятия решений при диагностики офтальмологических и сопутствующих патологий. Функциональные возможности системы кроме сегментации цветных и черно-белых изображений глазного дна: ввод и предварительная обработка изображений глазного дна, автоматическая или полуавтоматическая трассировка сегментов сосудов, количественная оценка диагностических параметров микроциркуля-торного русла, построение функции изменения диаметра сосуда вдоль выделенного участка, определение углов разветвлений, автоматическое введение базы данных по пациентам, изображениям и измерениям, локальные методы обпябпТТГЪТ ГЛТ^ТГГПЯ Л/ГРТП7ТГ.Т п(л1~*я(лг\ттгтх тл/л^1-10\т/-аттттгт т> ttoita.» тхттту --х------ъ v i wv^wuuiim £> Jm^JiWlVl УЛЛГ1 t^i VJ выделенных фрагментов.

4. Предложен способ оценки эффективности сегментации, заключающийся в определении характеристик выделения различных патологических образований и морфологических структур изображений глазного дна для j различных способов сегментации и сопоставления ошибок первого рода при фиксированном числе ошибок второго рода и получена сравнительная оценка эффективности сегментации для различных методов.

5. Проведены экспериментальные исследования, врезультате которых получены характеристики выделения для ряда классов патологических образований и морфологических структур изображения глазного дна, приведена сравнительная оценка эффективности предложенных и известных способов сегментации. Полученные сравнительные характеристики известных методов диагностики ДР и предлагаемой автоматизированной системы диагностики

ДР. {

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для анализа сложноструктурируемых изображений в автоматизированных системах диагностики диабетической ретинопатии.

В результате выполнения работы получены следующие основные результаты.

1. Проанализированы существующие методы и средства сегментации и классификации сложноструктурированных изображений, выявлены их достоинства и недостатки. На основе проведенного анализа предложено в автоматизированных системах диагностики диабетической ретинопатии по результатам морфологического анализа изображений глазного дна использовать интеллектуальные операторы, основанные на нейросетевых моделях и нечеткой логике принятия решений.

2. Разработан метод сегментации сложноструктурируемых изображений, предназначенный для автоматизированной системы морфологич еского анализа изображений глазного дна, построенный на основе градиентной обработки исходного черно-белого изображения, в котором процесс получения бинарного изображения, отражающего морфо л огическую структуру исходного изображения, разбит на три последовательных этапа: на первом этапе получают векторизованное изображение, на втором этапе получают препарированное векторизованное изображение, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, осуществляемый посредством интеллектуального м орф о л огичес ко го оператора.

3. Разработан интеллектуальный оператор формирования границы сегмента, р е а л и з о в а н н ы й в виде многослойной нечеткой иейросетевой модели, включающей базу решающих правил и агрегирующие и классифицирующие слои, позволяющий реализовать итерационный процесс активации пикселей границы сегмента, и построен алгоритм его функционирования, включающий процедуру выбора начального пикселя границы сегмента и процедуру определения конца границы сегмента.

4. Разработано алгоритмическое и программное обеспечения для автоматизированной системы диагностики диабетической ретинопатии, включающие:

- алгоритм диагностики диабетической ретинопатии на основе автоматизированного анализа морфологических структур изображения глазного дна, обеспечивающий последовательность процедур проверки наличия патологических образований на изображении глазного дна, позволяющий выявить стадии и осуществить дифференциальную диагностику диабетической ретинопатии; (

- алгоритмы реализации процедур анализа изображения глазного дна;

-программное обеспечение для реализации алгоритмов и процедур диагностики диабетической ретинопатии;

- программное обеспечение формирования интерфейсных окон для этих процедур, предназначенных для анализа изображений глазного дна, позволяющее осуществить подготовку изображения для процедур автоматической диагностики патологических образований.

5. Разработан метод классификации морфологических образований на флюоресцентных ангиограммах глазного дна, основанный на гибридной технологии нейросетевого моделирования, позволяющий классифицировать патологические сегменты по пространственно-яркостным характеристикам пикселей изображения.

6. Проведенные клинические испытания автоматизированной системы показали, что ее показатели качества при выявлении больных диабетической ретинопатией, в среднем, превосходят на 14% аналогичные системы такого же назначения, что позволяет рекомендовать ее использование в клинической практике.

Список литературы диссертационного исследования кандидат технических наук Брежнева, Александра Николаевна, 2012 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов: В 2 т. Т. 2. Основы эконометрики. / С.А. Айвазян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 432 с,

2. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика / С.А. Айвазян, B.C. М^итрян. 2-е изд., испр. М: ЮНИТИ-ДАНА, 2001. 656 с.

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

4. Ахметшин, A.M. Сегментация низкоконтрастных изображений с применением иерархической модели Марковского случайного поля / A.M. Ахметшин, А.Е. Федоренко // Искусственный интеллект 2002. №4. С.414-421.

5. Ахметшина, Л.Г. Адаптивная инверсная фильтрация низкокон-

j

трастных изображений -на основе комбинации методов автоморфного отображения и нейросетевого синтеза. / Л.Г.Ахметшина, A.M Ахметшин. // Искусственный интеллект. 2006. №4. С. 264-274.

6. Башков, Е.А. Статистическая кластеризация для выделения регионов изображений / Е.А. Башков, OJI. Вовк // Зб1рник праць V М1жнародно'1 науково! конференцп «1нтелектуальний анал!з шформацп». -«Просв1та», Kiiïb. 2005. С. 50-59.

7. Бейли Н. Математика в биологии и медицине / Н. Бейли // М.: Мир. 1970.

8. Белобров, А;П. Нейросетевые модели морфологических операторов для сегментации изображений биомедицинских сигналов / А.П. Белобров, С.А. Борисовский, Р.А.// Известия Южного федерального университета. Технические науки. Технологический институт Федерального государственного образовательного учреждения высшего профессионального образо-

вания "Южный федеральный университет". Таганрог. Т. 109, №8. 2010. С.28-32.

9. Беляев, И. А. Применение принципов формального моделирования для классификации медицинских изображений / И. А. Беляев, С. В. Ку-черявский // Барнаул - МКО. Т2. 2007. С. 355-361.

10. Брежнева, А.Н. Спектральный анализ сегментов изображения глазного дна для количественной оценки сосудистой патологии / А.Н. Брежнева, P.A. Томакова, С.А. Филист// Биомедицинская радиоэлектроника. 2009. №6. С. 15-18.

11. Вежневец, А. Выделение связных областей в цветных и полутоновых изображениях / А. Вежневец//' On-Line журнал Графика и мультимедиа. 2003.

12. Вежневец, А. Методы сегментации изображений: автоматическая сегментация / А.Вежневец, О. Бари нова // Режим доступа: http ://cgm.computergraphics.ru/content/view/147.

13. Вершовский, Е.А. Предварительная обработка изображений методами интеллектуального анализа многомерных данных. / Е.А. Вершовский //'Известия Южного федерального университета. Технические науки. 2008. Т. 79. №2.

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

15. Гимелъфарб Г.Л., Гиббсовские случайные поля как вероятностные модели изображений на нижнем уровне вычислительного зрения. / Г.Л. Гимелъфарб, A.B. Залесный //Методы обработки сигналов и полей: Межвузовский сборник научных трудов. Ульяновск. 1995.

16. Гиренко, A.B. Методы коррел я ционн о го обнаружения объектов. / A.B. Гиренко, В.В. Ляшенко, Машталир [и др.]. // Харьков. АО «БизнесИн-форм». 1996. 112 с.

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

18. Гороховатский, В.А. Корреляционные методы распознавания изображений путем голосования систем фрагментов/ В.А. Гороховатский,

Е.О. Передрий//Радиоэлектроника. Информатика. Управление. №1. 2009.

j

19. Давыдов, A.B. Цифровая обработка сигналов: Тематические лекции / A.B. Давыдов //Екатеринбург: УГГУ, ИГиГ, кафедра геоинформатики. -2007-2010. Режим доступа: http://www.prodav.narod.ru/dsp/index.html.

20. Дегтярев, C.B. Оптико-электронное устройство для диагностики тромбоза глубоких вен голени / C.B. Дегтярев, С.Ю. Мирошниченко // Вестник новых медицинских технологий. Тульский государственный университет. 2006. Т. 13, №2. С. 156-157.

21. Джуманов, О.И. Адаптивная нейросетевая система визуализации

изображений, распознавания и классификации микрообъектов / О.И. Джума-

j

нов // Проблемы информатики. 2009. С.63 - 72.

22. Диаморф объектив - современное программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях. Режим доступа: http://www.diamorph.ru/aboutprog.http.

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

24. Дюк, В. Обработка данных на ПК в примерах / В. Дюк. -СПб: Питер, 1997. 240 с.

25. Ермоленко, A.B. Алгоритм поиска примитивов на фотографиях с применением нейронных сетей/ A.B. Ермоленко, A.A. Козличенков // Часть 2. Нейроинформатика. 2010.

26. Жилин, В.В. Теоретические основы компьютерных технологий обработки многомерных данных: учебное пособие / В.В. Жилин, A.A. Кузь-

мин, С. А. Филист [и др.]; Курск, гос. Сельскохозяйственная академия. Курск, 2008.

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

)

28. Журавель. И.М. Краткий курс теории обработки изображений. /

•'JL-' Л. » X А X ж

И.М.Журавель // М.: 2004.

29. Заявка 2003106128 Российская Федерация. Способ диагностики сосудистой патологии глазного дна / Ильясова Н. Ю., Бранчевский С. Л., Храмов А. Г., Устинов А. В., Гаврилова Н. А., Ланевская Н. И., Дурасов А. Б.; заявитель Ильясова Н. Ю., Бранчевский С. Л., Храмов А. Г., Устинов А. В., Гаврилова Н. А., Ланевская Н. И., Дурасов А. Б. - № 2003106128/14; за-явл. 05.03.03; опубл. 27.08.04.

30. Заявка 2003106472 Российская Федерация. Способ диагностики нарушений микроциркуляции по сосудам глазного дна / Тутаева Е. С., Хадарцев А. А., Тутаев Б. М.; заявитель Тульский госу царстве нный университет - № 2003106472/14; заявл. 12.03.03; опубл. 20.09.04.

31. Ильясова, Н.Ю. Компьютерная технология восстановления пространственной структуры коронарных сосудов по ангиографическим проекциям / Н.Ю. Ильясова, Н.Л. Казанский, А.О. Корепанов [и др.] //Институт систем обработки изображений РАН. Компьютерная оптика. 2009. Т.ЗЗ, №3. С.281-312.

32. Ильясова, НЛО. Метод выделения центральных линий кровеносных сосудов / Н.Ю. Ильясова, А.О. Корепанов, П.М. Чикулаев // Компьютерная оптика 2006. №29. С. 146-150,

33. Ильясова, Н.Ю. Экспертная компьютерная система диагностики глазных заболеваний по изображениям глазного дна / Н.Ю. Ильясова, A.B. У стинов, В.Г. Баранов // Компьютерная оптика. 1999. №19. С. 202-209.

34. Кацнельсон JI.А., Лысенко B.C., Балишанская Т.И. Клинический атлас патологии глазного дна - Издательство: ГЭОТАР-Медиа, 2008. 120 с.

35. Кацнельсон, Л.А. Клинические формы диабетической ретинопатии/ Л.А. Кацнельсон // Вестник офтальмологии, 1989. - № 5. - С. 43-47.

36. Кварнстром, М. Алгоритмы анализа изображения для распознавания контура дрожжевых клеток [Электронный ресурс] / М. Кварнстром// Пер. с англ.-' Батлук Н.С. Режим доступа: http://masters.donntu.edu.ua/2009/kita/batluk library/image_analysis_ ru.pdf

37. Ковтун, И.В. Текстурная сегментация изображений на основании Марковских случайных полей / И.В. Ковтун // УСиМ. 2003. № 4. С. 46-55.

38. Компьютерная система ранней диагностики глазных заболеваний на основе анализа изображений глазного дна/ В.А.Сойфер, В.В.Котляр, А.Г.Храмов [и др.] - Фундаментальные науки - медицине. Материалы конференции. Москва, 2-3 декабря 2004 г. - М: Фирма "Слово", 2004. - С. 131137.

39. Корепанов, А.О. Обнаружение границ радужной оболочки с использованием преобразования Хоу / А.О. Корепанов // Вестник СГАУ.2008. С. 235-240

40. Корепанов, А.О. Формирование признакового пространства на основе оценивания кривизны центральных линий сосудов в задаче анализа патологических изменений структуры сосудистой системы глазного дна /А.О. Корепанов, М.А. Ананьин/7 Компьютерная оптика. Т..31, №1.2007.С.52-57.

41. Коскас, Г. Комплексная диагностика патологии глазного дна / Г.Коскас, Ф. Коскас, А. Зурдан . - М.: Практическая медицина. 2007. - 469 с.

42. Красовская, И. Г. Метод распознавания патологических форм эритроцитов по их векторному изображению / И.Г. Красовская: // Радиоэлектроника и компьютерные системы. 2009. №4 (38). Украина. С. 106- 107.

43. Кривозубов, В.П. Спектральный и геометрический анализ плазм в определении патологии почек средствами компьютерной обработки. / В.П. Кривозубов // Инфокоммуникационные технологии. Поволжский государственный университет телекоммуникаций и информатики. Т.5. №1. С.55-59.

44. Кубрин, С.С. Сравнение метода геометрических моментов и метода дескрипторов Фурье в задачах распознавания текста / С.С. Кубрин, H. A. Федченко, А.Б. Исаев // Горный информационно-аналитический бюллетень. Издательство Московского государственного горного университета. №3. 2005. С, 106-108.

45. Кузнецов, А. В. Анализ изображения радужной оболочки глаза с использованием преобразования Радона / A.B. Кузнецов, A.B. Куприянов, Н.Ю. Ильясова // Вестник Самарского государственного аэрокосмического университета имени академика С. П. Королёва. - 2008. - № 2. - С. 240-244.

46. Куприянов, A.B. Оценивание диагностических параметров сосудов на изображениях глазного дна в области диска зрительного нерва / A.B. Куприянов, Ильясова Н.Ю., Ананьин М.А. //Компьютерная оптика. 2006. №29. С. 141-145.

47. 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.

48. Мариничев, К. Алгоритмы выделения параметрических кривых на основе преобразование Хафа./ К. Мариничев, В. Вежневец // Компьютерная графика и мультимедиа. 2006. №4 (1)

49. Мартынкина, Л.П. Информативность эксiipecc-латекс-тестов при использовании видеоцифровой регистрации / Л.П. Мартынкина, Т.А. Старовойтова, H.A. Стериополо [и др.] // Клинико-лабораториый консилиум. Со -П. 2009. №6. С.56-62.

50. Матюнин, С.А. Моделирование состояния эндотелиальных

j

клеток по их фотоизображению / С.А. Матюнин, Н.С. Селиверстова // Компьютерная оптика. 2002. Т. 24. С. 173-177.

51. Медовый, B.C. Автоматизированные цитофотометрические тесты мазков крови для общей клиники и скрининговых обследований населения / B.C. Медовый, В.А. Балабуткин, Н.В. Верденская // Клин, лабор. диагностика. 1997. №10. С. 6-8.

52. Медовый, B.C. Исследование и разработка программного обеспечения автоматической микроскопии биоматериалов: автореф. дис. ... д-р.

техн. Наук / B.C. Медовый // Москва. 2010. с.20.

j

53. Михайлов, В.Н. Автоматизированный офтальмологический комплекс Атлант-Retina / В.Н. Михайлов, Н.С. Бургова, А.В. Корогодин [и др.]

//Электронный ресурс: http://library.mephi.ru/data_/scientific-

sessions/1998/5/196.html.

54. Михалец, В.В. Обзор методов сегментации полутонового цифрового изображения / В.В. Михалец // Режим доступа: http://masters.donntu.edu.ua/2010/fknt/deputat/links/index.htm.

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

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

57. Никитин, О.Р. Моделирование условий работы алгоритмов окон-туривания для медицинских изображений и оценка их влияния на качество оконтуривания / Методы и устройства передачи и обработки информации. -Межв.сб. научн. трудов / Под ред. В.В. Ромашова. Вып. 9. - М.: Радиотехника, 2007, С. 197-203.

58. Никитин, О.Т. Сравнительная оценка качества работы алгоритмов оконтуривания медицинских изображений / Никитин, ОТ., Пасечник,

A.C., под ред. B.B. Ромашова. // Методы и устройство передачи и обработки информации. - Межв.сб. научн. трудов Вып. 8. - М.: Радиотехника,

2007, С. 137-142.

59. Орлов, A.A. Алгоритм вычисления признаков отрезков на растровых изображениях основанный на вычислении градиента яркости / А.А.Орлов, М.И. Ткачук // Инфокоммуникационные технологии. Т. 6, № 3.

2008. С. 36-41.

60. Осовский, С. Нейронные сети для обработки информации/ С. Ос-совский - М.: Финансы и статистика, 2002. - 344 с.

61. Паламарь, H.H. Метод сегментации изображений с применением выращивания областей и многомасштабного анализа / H.H. Паламарь, П.В. Сизов // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. Сибирский государственный аэрокосмический университет им. акад. М.Ф. Решетнева. №3. С. 15-20.

62. Патана, Е.И. Метод определения размера модели марковского случайного поля / Е.И. Патана // Известия Южного федерального университета. Технические науки. 2009. Т. 97. № 8. С. 206-212.

63. Перов, А.И. Алгоритм последовательного выделения контура объекта на двумерных цифровых изображениях / А.И. Перов, Г.Г. Соколов // Радиотехника. 1998. № 7.

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

65. Привалов, М.В. Модел1 та алгоритми автоматизованоТ системи обробки ультразвукових ехограм оргашв людини: Автореф. дис... канд. техн. наук: 05.13.06 ./' Донецысий нацюналышй ун-т. Донецьк, 2003. 20с.

66. 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. {

67. Путятин, Е.П. Нормализация и распознавание изображений / Е.П. Путятин // Электронный ресурс: http ://sumschool. sumdu.edu.ua/is-02/rus/lectures/pytyatin/pytyatin.htm.

68. Путятин, Е.П. Обработка изображений в робототехнике. / Е.П. Путятин, С.И. Аверин // М: Машиностроение. 1990. 320 с.

69. Сафарли H.H., Щёголева И.В., Будзинская М.В., Киселёва Т.Н., Киселев Г.Л. Метод количественной оценки интенсивности флюоресценции в определении активности хориоидальной неоваскуляризации// Практикующий врач. М. 2007. №6. С. 101-102.

70. Сирота, A.A. Определение границы раздела случайных полей при обработке изображений с использованием метода динамического программирования / А. А. Сирота, А. И. Соломатин // Материалы Шестой Междунар. науч.-метод, конф.: Информатика: проблемы, методология, технологии: Воронеж. 2006.

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

72. Смеляков, К.С. Методы сегментации изображений объектов нерегулярного вида, особенности их применения и перспективы развития / К.С. Смеляков, И.А. Романенко, И.В. Рубан [и др.] // Зб1рник наукових праць Харювського ушверситету Пов1тряних Сил. 2010. випуск 2(24).

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

74. Солдатова, О.П., Применение сверточной нейронной сети для распознавания рукописных цифр / Солдатова О.П., Гаршин A.A. // Компьютерная оптика, Т. 34, №2. 2010. С. 251-259.

75. Томакова, P.A. Способ сегментации ангиограмм глазного дна на основе нейросетевого анализа RGB-кодов пиксел/ P.A. Томакова, А.Н. Брежнева, С.А.Филист/7 Известия Южного федерального университета. Техниче-

ские науки. Технологический институт Федерального государственного образовательного учреждения высшего профессионального образования Южный федеральный университет. Таганрог. Т.98, №9. 2009.С. 171-176.

76. Физика визуализации изображений. Пер. с англ. В 2-х томах. Под ред. С. Уэбба. М., Мир, 1991. Том 1-407 е., том2-406 с,

77. Филист С.А., Пихлап C.B., Томакова P.A. Нечеткие нейросетевые структуры для сегментации изображений глазного дна //Вестник Воронежского государственного технического университета. Воронеж, 2009. Т.5. №4. С.42-45.

78. Фисенко, В.Т. Компьютерная обработка и распознавание изображений / В.Т.Фисенко, Т.Ю.Фисенко //СПб.: С-ПбГУ ИТМО. 2008. 192 с.

79. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. - М.: ООО «И.Д. Вильяме», 2006. 1104 с

80. 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.

81. Хлопов, АН. Машинное зрение в задаче автоматического подсчета клеток крови человека [Электронный ресурс] / А.Н. Хлопов // Электронный научный журнал. Исследовано в России С. 1962-1969. .http://zhurnal.ape.relam.ru/ai-ticles/2007/167.pdf.

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

83. Цыбулька, Е.С. Разработка специализированной компьютерной системы диагностики желудочно-кишечного тракта человека по изображениям ФГДС-исследования. Маг. дис. 2004.

84. Чекотило, Е.Ю. Спектральный анализ вероятностных характеристик изображений / Е.Ю. Чекотило, I I.K. Кузнецов // Вестник Самарского Го-

сударственного, технического университета. Серия «Физико-математические науки». Самара, 2006. №42. С 212-215.

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

86. Шокуров, А. В. Кодирование изображений с последующим: возможным оптимальным декодированием. Фундаментальная и прикладная ма-

' 1 1 ' X *> ' ' J. г л

тематика. / А.В. Шокуров //Центр новых информационных технологий МГУ, Издательский дом «Открытые системы» 2007. Т. 13, №5. С. 225—255.

87. 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. Сибирский государственный аэрокосмический университет им. акад. М.Ф. Решетнева. №3.2009. С.39-43.

88. Яне, Б. Цифровая обработка изображений / Б. Яне М.: Техносфера, 2007. 584 с.

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

90. Florack, L. M. J. Linear scale-space / L. M. J. Florack, В. M. Haar Romenv, J. J. Koenderink, M. A. Viergever // J. of Mathematical Imaging and Vision. - 1994. - Vol. 4(4). - Pp. 325-351.

91. Fowlkes, C. Efficient Spatiotemporal Grouping Using the Nystrom Method /С. Fowlkes, S. Belongie, J. Malik // Efficient Graph, 2001.

92. Geman, S. Stochastic Relaxation, Gibbs Distributions, and the Bayes-ian Restoration of Images / S.Geman, D.Geman // IEEE Trans, on PAMI, 1984, vol, 6, no. 6, pp. 721-741.

93. George JT. Sensitivity and specificity of single field non-mydriatic retinal photography in screening for diabetic retinopathy: The Edinburgh Type 2 Diabetes Study. ADA 2009.

94. Jafar M. H. Ali An Iris Recognition System to Enhance E-security Environment Based on Wavelet Theory / Jafar M. H. Ali, Aboul Ella Hassanien // AMO Advanced Modeling and Optimization, Volume 5, № 2. 2003. pp. 93-104.

95. Keuchel, J. Cuts for Unsupervised Image Segmentation using Probabilistic Sampling and SVD-based Approximation /J. Keuchel, C.Schnorr// University of Mannheim, Germany,2003.

96. Khotanzad. A. A soatial correlation method for neighbor set selection

J — — ------— - * "^A AAA w Vf xvx i-XVi V/l Jvk JVlWHWil

in random field image models / A.Khotanzad, J. Bennett // IEEE Transactions on image processing. 1999. Vol. 8. - P. 578-593.

97. Koenderink J.J. The structure of images / J.J. Koenderink // Biological Cybernetics. - 1984. - Vol. 50. - Pp. 363-370.

98. Kyong Woo Nam. A Feature Extraction Method for Binary Iris Code Construction / Kyong Woo Nam, Kyong Lok Yoon, Jun Sung Bark, Woo S. Yang // Proceedings of the 2nd International Conference on Information Technology for Application.2004.

99. Li Ma Iris. Recognition Using Circular Symmetric Filters / Li Ma, Yunhong Wang, Tieniu Tin / Proceedings of the 16 th International Conference on Pattern Recognition // P. 20414-20418.

100. Lionel Martin. Tisse Person identification technique using human iris recognition. / Lionel Martin, Lionel Torres, Michel Robert // Proc. of Vision Interface, 2002. pp.294-299.

101. Minesh Ade. Efficient human system based on retina blood vessel pattern and Delaunay triangulation (DT) net / Minesh Ade, Raza A. Jafri, M. Ghazan-far Ullah //3 rd International Conference on Biomedical Technjlogy. 2011. P. 253256.

102. Richard P. Wildes. Iris Recognition / Richard P. Wildes //An Emerging Biometric Technology. Proceedings of The IEEE, vol. 85, № 9. 1997. P. 13471347.

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

104. Sharon, Eitan. Fast Multiscale Image Segmentation / Eitan Sharon, Achi Brandt Ronen Basriy // Dept. of Applied MathThe Weizmann Inst, of Science, Israel, 2000.

105. Shi, J. Normalized Cuts and Image Segmentatio/ J. Shi, J. Malik// University of California at Berkeley. 1997.

106. Veksler, O. linage Segmentation by Nested Cuts / O.Veksler//NEC Research Institute, 2000.

107. Zadeh L.A. Fuzzy algorithms // Information and control. Vol. 12, 1968 -№2-P. 233-238.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.