Методы обработки и визуализации мультиспектральных медицинских изображений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ян Синь

• Ян Синь
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Ян Синь

ВВЕДЕНИЕ

1 АНАЛИТИЧЕСКИЙ ОБЗОР ТЕХНОЛОГИЙ И МЕТОДОВ ВИЗУАЛИЗАЦИИ ИЗОБРАЖЕНИЙ В ЭНДОСКОПИЧЕСКИХ СИСТЕМАХ

1.1. Общая характеристика эндоскопических систем

1.2. Технологии визуализации в эндоскопических системах

1.3. Выводы и постановка задачи исследования

2 СЕГМЕНТАЦИЯ ОБЛАСТЕЙ ПАТОЛОГИИ НА ФЛУОРЕСЦЕНТНЫХ ИЗОБРАЖЕНИЯХ

2.1. Обзор методов сегментации изображений

2.2. Двухэтапный метод сегментации флуоресцентных изображений

2.3. Процедура расчета параметра а для взвешенного метода Оцу

2.4. Экспериментальное исследование и анализ результатов

2.5. Выводы по главе

3 СИНТЕЗ ИЗОБРАЖЕНИЯ ОБЛАСТИ ПАТОЛОГИИ НА ОСНОВЕ ДАННЫХ, ПОЛУЧЕННЫХ В БЕЛОМ СВЕТЕ И СВЕТЕ ФЛУОРЕСЦЕНЦИИ

3.1 Требования к синтезированному изображению

3.2 Метод монохромного отображения области патологии

3.3 Обзор методов формирования псевдоцветных изображений

3.4 Метод формирования псевдоцветного изображения области патологии

3.5 Выводы по главе

4 МЕТОД ВИЗУАЛИЗАЦИИ МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ

2

4.1 Общая структура метода визуализации мультиспектральных изображений

4.2. Обзор методов предобработки изображений, полученных в белом свете

4.3. Экспериментальное исследование метода СЬАНЕ и метода LSTNE

4.4 Экспериментальное исследование предложенного метода визуализации мультиспектральных изображений и анализ результатов

4.5 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

Введение диссертации (часть автореферата) на тему «Методы обработки и визуализации мультиспектральных медицинских изображений»

ВВЕДЕНИЕ

Актуальность исследования. Эндоскопические системы - это минимально инвазивные медицинские устройства, предназначенные для осмотра внутренних органов и полостей организма человека, а также для проведения хирургического вмешательства. Эндоскопы вводятся в полости через естественные пути, например, в желудок - через рот и пищевод, в мочевой пузырь - через мочеиспускательный канал, а также путём проколов или операционных доступов (лапароскопия и др.). Развитие эндоскопии значительно расширило возможности врачей в области диагностики, контроля за состоянием пациента и проведения медицинских манипуляций.

Базовая эндоскопия (лапароскопия) использует визуализацию данных об исследуемых тканях на основе изображений, полученных в белом свете. В современной эндоскопии разработано значимое число специальных технологий визуализации, целью которых является повышение цветового контраста между поражёнными и нормальными тканями. К ним относятся хромоэндоскопия, увеличительная эндоскопия и новая, быстро развивающаяся технология -мультиспектральная эндоскопия.

Мультиспектральная эндоскопия является очень перспективной технологией с точки зрения повышения эффективности как диагностики, так и лечения онкологических заболеваний. В исследовании [1] показано, что при ранней диагностике рака желудка применение мультиспектральных методов визуализации позволяет обнаружить поражённые лимфатические узлы с чувствительностью 98,9%. В исследовании [2], посвященном малоинвазивным методам лечения метастазов колоректального рака в печени, использование мультиспектральной визуализации позволило добиться полной резекции в 92,4%.

Технология мультиспектральной эндоскопии сочетает несколько методов визуализации: визуализацию на основе изображений исследуемой области, получаемых в белом свете и на основе флуоресцентных изображений. Каждый из этих методов имеет свои преимущества и особенности, их интеграция в рамках

мультиспектрального подхода позволяет получить максимально полное представление о состоянии исследуемой области. Существующие сегодня методы мультиспектральной визуализации предполагают наложение флуоресцентного изображения на изображения, полученные в белом свете. Наиболее часто, в них области патологии в виде монохромного пятна наносят на изображение, полученное в белом свете, или яркостной сигнал флуоресцентного изображения аппликативно добавляется к одному из RGB-каналов изображения, полученного в белом свете (рисунок 1 и рисунок 2).

а

б

Рисунок 1 - Результаты мультиспектральной визуализации: а - флуоресцентное изображение; б - синтезированное изображение.

5 mm

а

б

в

Рисунок 2 - Результаты мультиспектральной визуализации: а - изображение, полученное в белом свете; б - флуоресцентное изображение;

в - синтезированное изображение.

К недостаткам указанных выше методов визуализации относятся: низкая точность выделения области поражения; отсутствие обоснованного критерия выбора цвета для монохромной закраски области патологии; отсутствие при отображении информации об яркости флуоресценции в разных частях области патологии, что является важным для диагностики в ряде практических приложений. С учетом выявленных недостатков для повышения эффективности мультиспектральной эндоскопии (лапароскопии) необходимо разработать новые методы анализа и визуализации мультиспектральных данных. Требования к разрабатываемым методам визуализации:

• точная сегментация очагов патологии;

• увеличение информативности отображения очагов патологии путем использования цветовых решений, обеспечивающих максимальную эффективность визуализации, и согласованных с особенностями зрения человека;

• максимальное сохранение информативности и качества изображений в белом свете при синтезе мультиспектральной визуализации.

Цель диссертационной работы: Повышение эффективности эндоскопических и лапароскопических систем путем разработки новых методов анализа и визуализации мультиспектральных видеоизображений.

Основные задачи диссертационной работы.

1. Разработка общей структуры метода визуализации мультиспектральных данных на основе синтеза единого изображения, включающего информацию, полученную в разных спектральных диапазонах (в белом свете и свете флуоресценции).

2. Разработка метода автоматической сегментации областей патологии на флуоресцентных изображениях, обеспечивающий точность сегментации не менее 0,85.

3. Разработка критерия и процедуры формирования цветовых решений для отображения области патологии, позволяющих сформировать

результирующее изображение максимально информативным для визуального анализа.

4. Разработка метода автоматического формирования псевдоцветного изображения области патологии, обеспечивающего соответствие цветового контраста между зонами разного цвета на псевдоцветном изображении яркостному контрасту зон c разным уровнем яркости флуоресценции на исходном полутоновом изображении.

5. Разработка процедуры предварительной обработки изображений, полученных белом свете, учитывающей специфику их последующего использования при визуализации мультиспектральных данных.

6. Проведение экспериментального исследования предложенных методов синтеза изображений для визуализации мультиспектральных данных с привлечением экспертов - врачей эндоскопистов.

Предмет и объект исследования. Объектом научного исследования являются мультиспектральные эндоскопические (лапароскопические) изображения, включающие изображения, сформированные в белом свете, и флуоресцентные изображения, полученные в узких спектральных диапазонах.

Предметом исследования являются методы автоматической сегментации изображений, повышающие точность сегментации области поражения и методы отображения на изображении, полученном в белом свете, области патологии, найденной в свете флуоресценции, обеспечивающие максимальную информативность для визуального анализа врачом.

Методы исследования. Для решения поставленной задачи использовались методы цифровой обработки изображений, методы колориметрии, машинного обучения, планирования экспериментов, а также методы компьютерного моделирования и программирования на языке python.

Научная новизна.

1. Метод мультиспектральной визуализации, объединяющий изображения, полученные в белом свете и в свете флуоресценции. Среднее значение

экспертной оценки предпочтения результатов визуализации по сравнению с аналогами составляет 2,6 при отображении области патологии псевдоцветным изображением, при монохромном тонировании 2 (при максимально возможной 3).

2. Двухэтапный метод сегментации флуоресцентных изображений, обеспечивающий уменьшение ошибки сегментации области патологии в соответствии с мерой ME (misclassification error) более, чем в 2,5 раза по сравнению с существующими аналогами.

3. Процедура автоматической оценки значения весового коэффициента а при расчете межклассовой дисперсии во взвешенном методе Оцу на основе функциональной зависимости CW = f(a), где CW - контраст объекта интереса.

4. Векторный критерий для выбора цвета и уровня прозрачности при аппликативном нанесении области патологии на изображение в белом свете.

5. Метод отображения области патологии в виде монохромно окрашенной области, позволяющий обеспечить максимальное отличие по цвету области патологии от окружающего ее изображения, полученного в белом свете, и одновременно максимально сохранить цветовой контраст изображения в белом, закрытое областью патологии.

6. Метод формирования псевдоцветного изображения из флуоресцентного изображения в градациях серого, основанный на метрике CIEDE2000, и обеспечивающий соответствие визуального эффекта от яркостного перепада на флуоресцентном изображении визуальному эффекту от заменяющего его цветового перепада.

Практическая значимость.

1. Предложенный метод визуализации мультиспектральных данных позволяет врачам одновременно наблюдать привычные изображения, содержащие как данные белого света, так и выделенные цветом области пораженных тканей. Это избавляет врачей от частого переключения между режимами

визуализации в белом свете и в свете флуоресценции, что повышает точность диагностики заболеваний и эффективность лечения.

2. Высокая точность сегментации флуоресцентных изображений позволяет использовать разработанный двухэтапный метод сегментации для формирования размеченных (аннотированных) баз данных изображений, полученных в белом свете. В этом случае сегментированная область патологии на флуоресцентном изображении может быть использована, как маска для выделения и разметки области патологии на изображении в белом свете. Простота процедуры разметки обеспечивает возможность создания больших баз данных, необходимых для применения технологий глубокого обучения.

Основные положения, выносимые на защиту.

1. Двухэтапная сегментация флуоресцентных изображений, включающая уточняющую сегментацию на основе взвешенного метода Оцу с автоматической оценкой параметров последнего, позволяет уменьшить ошибку сегментации более, чем в 2,5 раза по сравнению с аналогами.

2. Нахождение максимума функции CW = f(a), где CW - контраст объекта интереса, а - весовой коэффициент при расчете межклассовой дисперсии, позволяет автоматически определять параметр взвешенного метода Оцу и обеспечивать при сегментации области патологии на флуоресцентных изображениях минимум меры ME (misclassification error).

3. Критерий, включающий терм, характеризующий передачу локального цветового контраста и терм, характеризующий цветопередачу, позволяет выбрать цвет и уровень прозрачности при аппликативном нанесении области патологии на изображение в белом свете, которые обеспечивают максимальное отличие по цвету области патологии с одновременным максимальным сохранением цветового контраста изображения, полученного в белом свете.

4. Предъявление врачу изображения, полученного в белом свете, с аппликативно нанесенной областью патологии цвет и уровень прозрачности, которой определены на основе введенного векторного критерия, существенно повышает эффективность отображения мультиспектральных данных по сравнению с аналогами. Среднее значение экспертной оценки предпочтения по сравнению с аналогами составляет 2 (при максимально возможной 3).

5. Предъявление врачу изображения, полученного в белом свете, и псевдоцветного изображения области патологии, обеспечивающего соответствие цветового контраста на псевдоцветном изображении яркостному контрасту областей c разным уровнем флуоресценции, существенно повышает эффективность отображения мультиспектральных данных по сравнению с аналогами. Среднее значение экспертной оценки предпочтения по сравнению с аналогами составляет 2,6 (при максимально возможной 3).

Апробация и реализация результатов диссертации.

Результаты диссертации использованы в международных научно -исследовательских проектах, проводимых совместно Санкт-Петербургским государственным электротехническим университетом «ЛЭТИ» им. В.И. Ульянова (Ленина) и отделом инновационных медицинских приборов Корейского электротехнологического исследовательского института - Korea Electrotechnology Research Institute, компанией Co Ltd "InTheSmart" (Южная Корея) и клиникой Сеульского национального университета.

- НИР «Разработка технологии анализа и визуализации медицинских эндоскопических изображений».

- НИР «Исследование технологий искусственного интеллекта для применения в задачах лапароскопии».

Основные результаты диссертации использованы в НИР «Разработка методов программной обработки видеоданных эндоскопической системы для повышения

их визуального качества», «Разработка программного обеспечения для видеоэндоскопического комплекса», «Адаптация аппаратно-программных решений видеоэндоскопического комплекса для клинических испытаний». «Аппаратно-программные решения для интеллектуального

видеоэндоскопического комплекса», проводимых кафедрой ТВ СПбГЭТУ «ЛЭТИ» в соответствии с контрактами с компанией ООО ГК «Прометей».

Основные результаты диссертационной работы докладывались и обсуждались на международных научных конференциях IEEE "ElConRus 2021" и "ElConRus 2022" и на 25-й международной конференции «Цифровая обработка сигналов и ее применение - DSPA 2023», а также на 11-ой школа-семинаре «Инфокоммуникационные технологии в цифровом мире» в 2021 году.

За результаты исследований получен диплом победителя конкурса докладов молодых исследователей, проводимых в рамках XXV Международной конференции «Цифровая обработка сигналов и ее применение -DSPA» в 2023 году (Москва).

Публикации. Содержание и основные результаты диссертации изложены в 7 научных работах, которые включают 2 статьи, опубликованные в журналах, входящих в список перечня ВАК РФ. 3 работы опубликованы в трудах конференций, индексированных в SCOPUS. 1 работа опубликована в трудах конференций, индексируемой в РИНЦ. 1 работа опубликована в материалах школы-семинара СПбГЭТУ «ЛЭТИ».

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Основная часть работы изложена на 151 страницах. Общий объем работы: 181 страниц, включая 13 таблиц и 90 рисунков. Список литературы включает 100 библиографических источников.

В первой главе приведен аналитический обзор существующих методов эндоскопической визуализации; выделено направление мультиспектральной визуализации, как одно из наиболее эффективных на современном этапе развития эндоскопических систем; показаны достоинства и выявлены основные проблемы

современных методов мультиспектральной визуализации; сформулированы требования к разрабатываемым методам мультиспектральной визуализации, позволяющие существенно повысить ее эффективность.

Во второй главе показано, что принципиальной задачей при синтезе изображения, визуализирующего мультиспектральные данные, является автоматическая сегментация области патологии на флуоресцентных изображениях; выявлены особенности флуоресцентных изображений; приведен обзор методов автоматической сегментации и анализ эффективности их применения к флуоресцентным изображениям; предложен двухэтапный метод сегментации области флуоресценции; разработана процедура автоматического расчета параметра а, являющегося ключевым на втором этапе предложенного метода сегментации; приведены результаты экспериментального исследования двухэтапного метода сегментации.

В третьей главе предложены два способа представления на изображении, полученном в белом свете, области патологии, найденной в свете флуоресценции: в виде монохромно закрашенной области и в виде псевдоцветного изображения; введен векторный критерий и разработана процедура выбора цвета закраски и уровня прозрачности при монохромном отображении области патологии; разработан метод представления области патологии в виде псевдоцветного изображения, обеспечивающий соответствие цветового контраста на формируемом изображении яркостному контрасту зон области патологии с разным уровнем флуоресценции.

В четвертой главе разработана процедура коррекции изображений, полученных в белом свете для мультиспектральной визуализации; предложен метод мультиспектральной визуализации, объединяющий информацию, полученную в белом свете и флуоресценции; приведены результаты исследования предложенного метода мультиспектральной визуализации.

Список литературы включает 100 наименований.

1 АНАЛИТИЧЕСКИЙ ОБЗОР ТЕХНОЛОГИЙ И МЕТОДОВ ВИЗУАЛИЗАЦИИ ИЗОБРАЖЕНИЙ В ЭНДОСКОПИЧЕСКИХ

СИСТЕМАХ

1.1. Общая характеристика эндоскопических систем

Эндоскопические системы представляют собой минимально инвазивные медицинские устройства, предназначенные для визуализации и доступа ко внутренним областям организма. Они позволяют врачам наблюдать внутренние органы и ткани пациентов без необходимости проведения более инвазивных процедур, таких как традиционная хирургия. Развитие эндоскопии значительно расширило возможности докторов в области диагностики, контроля за состоянием пациента и проведения медицинских манипуляций.

Эндоскопия применяется в различных областях медицины, включая гастроэнтерологию, урологию, гинекологию, пульмонологию, эндокринологию, а также в хирургии, онкологии и других специализациях. Эндоскопию применяют для различных диагностических и терапевтических процедур, включая скрининг рака, выявление заболеваний и проведение минимально инвазивных хирургических вмешательств, таких как лапароскопия и роботизированная хирургия.

Упрощенно структура эндоскопической системы представляет собой длинную тонкую трубку с камерой и источником света на конце. Эта трубка вводится в организм через естественные отверстия, такие как рот, нос или анус. Камера передает изображение внутренних органов на монитор, что позволяет медицинскому персоналу визуализировать область и проводить необходимые медицинские процедуры. Современные эндоскопические системы обладают высоким разрешением изображения, что позволяет врачам увидеть даже мельчайшие детали внутренних органов и тканей.

На рисунке 1.1 демонстрируется принцип работы эндоскопа (лапароскопа), а на рисунке 1.2 изображено фактическое оборудование эндоскопической системы.

Применение эндоскопии значительно сокращает риск осложнений при диагностике и лечении пациентов, поскольку процедуры, проводимые с использованием эндоскопических систем, менее травматичны для организма. Благодаря этому пациенты имеют более быстрое восстановление после медицинских вмешательств и меньшую вероятность осложнений.

Рисунок 1.1 - принцип работы эндоскопа (лапароскопа)

Рисунок 1.2 - фактическое оборудование эндоскопической системы

Эндоскопы можно классифицировать по нескольким признакам.

1) По гибкости

Эндоскопы можно разделить на жесткие эндоскопы, гибкие эндоскопы и капсульные эндоскопы (рисунок 1.3)

Жесткие эндоскопы (лапароскопы). Эти эндоскопы изготовлены из жесткого материала, например, металла или пластика. Они используются для процедур, требующих устойчивой платформы, таких как лапароскопическая хирургия.

Гибкие эндоскопы. Эти эндоскопы изготовлены из гибкого материала, например, резины или пластика. Их можно сгибать и придавать им определенную форму, позволяющую проходить через естественные отверстия и извилистые проходы тела. Гибкие эндоскопы используются для различных процедур, включая гастроскопию, колоноскопию, и бронхоскопия.

Капсульная эндоскопия. Это новая форма эндоскопии. Она выполняется путем проглатывания небольшой камеры размером с таблетку, которая фотографирует пищеварительный тракт во время его прохождения по телу. Это неинвазивная процедура, которая позволяет врачам визуализировать весь пищеварительный тракт, от пищевода до толстой кишки.

а б

0,"YMPÜS

в

Рисунок 1.3 - а - Жесткий эндоскоп; б - гибкий эндоскоп; в - капсульный

эндоскоп

2) По технологии визуализации

В соответствии с технологией визуализации эндоскопы можно разделить на следующие категории (рисунок 1.4) : [3]

• Традиционная эндоскопия в белом свете, в этом случае используется белый свет для освещения исследуемой полости или органа.

• Увеличительная эндоскопия, при которой исследуемая область увеличивается в несколько раз (обычно до 100-150 раз).

• Хромоэндоскопия, которая усиливает цветовой контраст изображения, позволяя четко показать очаги поражения и детали тканей. Хромоэндоскопию делят на эндоскопию с красителем (витальную) и электронную. Электронную хромоэндоскопию можно классифицировать на оптическую хромоэндоскопию(технология NBI и технология BLI) и виртуальную хромоэндоскопию (технология i-scan, технология FICE и технология SPIES).

• Мультиспектральная эндоскопия. Это эндоскопия, при которой одновременно получают изображения в нескольких спектральных диапазонах, включая изображения, полученные в белом свете и флуоресцентные изображения, полученные в ближней инфракрасной

области, что позволяет увеличить объем информации для медицинской диагностики.

Эндоскопия

Í

Эндоскоп с белым светом

Ув еличительная эндоскопия

Хромоэндоскопия

Мультиспектральная эндоскопия

t

Вынужденная флуоресценция

Автофлуорсценция

Витальная эндоскопия (с красителем) Технология ББСЕ

Электронная хромоэндоскопия

Оптическая хромоэндоскопия

Виртуальная хромоэндоскопия

► Технология МБ!

► Технология i-scan

► Технология BLI

Технология FICE

Технология SPIES

Рисунок 1.4 - Классификация эндоскопии по типу визуализации

Далее подробно рассмотрим различные технологии визуализации в эндоскопии.

1.2. Технологии визуализации в эндоскопических системах

1.2.1. Традиционная эндоскопия в белом свете

Видимый свет имеет диапазон длин волн от 400 до 700 нм. Основными компонентами эндоскопа белого света являются: источник света, оптоволоконный кабель, камера, видеопроцессор и монитор. Источником света обычно является галогеновая или ксеноновая лампа. Волоконно-оптический кабель представляет собой тонкую гибкую трубку, которая передает свет от источника света на камеру. Камера представляет собой небольшую камеру с высоким разрешением, которая преобразует свет в электрический сигнал. Монитор - это устройство отображения, на котором отображаются снятые изображения камерой.

Первый эндоскоп белого света был разработан в начале 19 века немецким врачом Филиппом Боззини. Эндоскоп Боззини представлял собой простое

устройство, состоящее из свечи и зеркала. Он использовал его для исследования уретры и прямой кишки. В конце 19 века Достижения в области оптики и светотехники привели к разработке более сложных эндоскопов белого света. Эти эндоскопы использовались для визуализации желудка, пищевода и других внутренних органов. В начале 20-го века эндоскопы белого света использовались для проведения хирургических операций. Сегодня эндоскопия в белом свете широко используется в диагностических и терапевтических целях. Это безопасная и эффективная процедура, которая может дать ценную информацию. информация о здоровье внутренних органов. Пример визуализации с помощью эндоскопии в белом свете показан на рисунке 1.5.

Рисунок 1.5 - Изображения, полученные с помощью эндоскопа в белом свете

Современное состояние эндоскопии в белом свете: эндоскопы высокого разрешения [4] и капсульные эндоскопы. Стандартные эндоскопы создают изображение сигнала с разрешением от 100 000 до 400 000 пикселей. Эндоскопы высокого разрешения или высокой четкости (рисунок 1.5) генерируют изображения с разрешением до 1 000 000 пикселей. Разработка эндоскопов высокого разрешения позволила различать тонкие детали поверхности слизистой оболочки по сравнению со стандартными эндоскопами, позволяя более точно ставить подозрительные диагнозы и проводить целевую биопсию.[5] Капсульные эндоскопы необходимо проглотить, чтобы визуализировать, например, тонкую кишку.

га

Рисунок 1.6 - Эндоскоп высокого разрешения

Преимуществами эндоскопии в белом свете являются:

Широкая доступность. Эндоскопия в белом свете широко доступна, поскольку это относительно простая и недорогая процедура.

Получение изображений с высоким разрешением. Конфокальные эндоскопы создают изображения с высоким разрешением, которые позволяют медицинским работникам видеть мелкие детали ткани.

Возможность применения для терапевтических процедур. Эндоскопию в белом свете можно использовать для выполнения различных терапевтических процедур, таких как биопсия, удаление полипов и расширение стриктур.

Недостатки эндоскопии в белом свете:

Вероятность пропуска очага поражения. При проведении эндоскопии в белом свете врач может не заметить поражения, расположенные в областях, которые трудно визуализировать, например, в тонком кишечнике. Может быть трудно отличить нормальную ткань от аномальной.

1.2.2 Увеличительная эндоскопия

Увеличительная эндоскопия (МЭ) - это тип эндоскопа, в котором для увеличения изображения исследуемой ткани используется увеличительная линза. Увеличительная линза расположена на кончике эндоскопа и увеличивает изображение ткани более чем в 100 раз.[6,7] Это позволяет врачам увидеть очень мелкие детали, такие как текстура поверхности ткани и наличие каких-либо аномалий.

Часто увеличительные эндоскопы используются в сочетании с узкополосными системами визуализации. Например, увеличительный эндоскоп от Olympus имеет микромеханический привод, встроенный в кончик эндоскопа и позволяющий перемещать линзу с помощью уникального контроллера увеличения (рисунок 1.7) Результатом является высокая точность, разрешение увеличенного изображения примерно в 80 -110 раз. [7]

Optical 80х magnification with NBI

а б

Рисунок 1.7 - а - увеличительный эндоскоп от Olympus; б - Результаты эндоскопической визуализации с увеличением NBI и визуализации в белом свете

В работе [8] показано, что увеличенная эндоскопия с использовании узкополосной визуализации (NBI) является эффективным методом определения

границ раннего рака желудка. В работе [9] показано, что использование

20

увеличительной эндоскопии в сочетании с другими методами визуализации эффективно для улучшения выявления раннего рака желудка.

Список литературы диссертационного исследования кандидат наук Ян Синь, 2025 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

[1] Kim DW, et al. Sentinel node navigation surgery using near-infrared indocyanine green fluorescence in early gastric cancer. Surg Endosc. 2019 Apr;33(4): 1235-1243. doi: 10.1007/s00464-018-6401 -z. Epub 2018 Aug 27. PMID: 30167947.

[2] Achterberg FB, et al. Dutch Liver Surgery Group. ICG-Fluorescence Imaging for Margin Assessment During Minimally Invasive Colorectal Liver Metastasis Resection. JAMA Netw Open. 2024 Apr 1;7(4):e246548. doi: 10.1001/jamanetworkopen.2024.6548. PMID: 38639939; PMCID: PMC11031680.

[3] Gulati, S., Patel, M., Emmanuel, A., Haji, A., Hayee, B. and Neumann, H. (2020), The future of endoscopy: Advances in endoscopic image innovations. Digestive Endoscopy, 32: 512-522. https://doi.org/10.1111/den.13481

[4] Bhat, Y. M., Abu Dayyeh, B. K., Chauhan, S. S., Gottlieb, K. T., Hwang, J. H., Komanduri, S., Wallace, M. B. (2014). High-definition and high-magnification endoscopes. Gastrointestinal Endoscopy, 80(6), 919-927. doi:10.1016/j.gie.2014.06.019

[5] Martins, B.C.; Moura, R.N.; Kum, A.S.T.; Matsubayashi, C.O.; Marques, S.B.; Safatle-Ribeiro, A.V. White-Light Endoscopy for Gastric Cancer. Encyclopedia. https://encyclopedia.pub/entry/45441

[6] Центральный клинический госпиталь федеральной таможенной службы россии https://hospital^s.ru/patients/diagnostics/details/uvelichitelnaya_endoskopiya/

[7] https://www.olympus-europa.com/medical/en/Products-and-Solutions/Products/Colonoscopes.html (дата обращения: 04.04.2025).

[8] Yao, K., Anagnostopoulos, G., & Ragunath, K. (2009). Magnifying endoscopy for diagnosing and delineating early gastric cancer. Endoscopy, 41(05), 462-467. doi: 10.1055/s-0029-1214594

[9] Le H, Wang L, Zhang L, Chen P, Xu B, Peng D, Yang M, Tan Y, Cai C, Li H, Zhao Q. Magnifying endoscopy in detecting early gastric cancer: A network metaanalysis of prospective studies. Medicine (Baltimore). 2021 Jan 22;100(3):e23934. doi: 10.1097/MD.0000000000023934. PMID: 33545965; PMCID: PMC7837915.

[10] Singh R, Chiam KH, Leiria F, Pu LZCT, Choi KC, Militz M. Chromoendoscopy: role in modern endoscopic imaging. Transl Gastroenterol Hepatol. 2020 Jul 5;5:39. doi: 10.21037/tgh.2019.12.06. PMID: 32632390; PMCID: PMC7063532.

[11] Gono K, Obi T, Yamaguchi M, Ohyama N, Machida H, Sano Y, Yoshida S, Hamamoto Y, Endo T. Appearance of enhanced tissue features in narrow-band endoscopic imaging. J Biomed Opt. 2004;9:568-577.

[12]Machida H, Sano Y, Hamamoto Y, Muto M, Kozu T, Tajiri H, Yoshida S. Narrow-band imaging in the diagnosis of colorectal mucosal lesions: a pilot study. Endoscopy. 2004;36:1094-1098.

[13] Emura F, Saito Y, Ikematsu H. Narrow-band imaging optical chromocolonoscopy: advantages and limitations. World J Gastroenterol. 2008 Aug 21;14(31):4867-72. doi: 10.3748/wjg.14.4867. PMID: 18756593; PMCID: PMC2739938.

[14] Технология NBI от OLYMPUS. https://www.olympus-russia.com/medical/ru/Продукция-и-решения/Медицинские-

решения/Узкоспектральная-визуализация-NBI/NBI-Гастроэнтерология.html (дата обращения: 04.04.2025).

[15] Kuznetsov K, Lambert R, Rey J F. Narrow-band imaging: potential and limitations[J]. Endoscopy, 2006, 38(01): 76-81.

[16] Yamasaki, Y., Takeuchi, Y., Kanesaka, T., Kanzaki, H., Kato, M., Ohmori, M., Tonai, Y., Hamada, K., Matsuura, N., Iwatsubo, T., Akasaka, T., Hanaoka N., Higashino, K., Uedo, N., Ishihara, R., Okada, H. and Iishi, H. (2020), Differentiation between duodenal neoplasms and non-neoplasms using magnifying narrow-band imaging - Do we still need biopsies for duodenal lesions? Digestive Endoscopy, 32: 84-95. https://doi.org/10.1111/den.13485

[17] Horiuchi Y, Aoyama K, Tokai Y, et al. Convolutional neural network for differentiating gastric cancer from gastritis using magnified endoscopy with narrow band imaging[J]. Digestive diseases and sciences, 2020, 65: 1355-1363.

[18] Kudo S, Misawa M, Mori Y, et al. Artificial intelligence-assisted system improves endoscopic identification of colorectal neoplasms[J]. Clinical Gastroenterology and Hepatology, 2020, 18(8): 1874-1881. e2.

[19] Zhang Q, Wang F, Chen Z Y, et al. Comparison of the diagnostic efficacy of white light endoscopy and magnifying endoscopy with narrow band imaging for early gastric cancer: a meta-analysis[J]. Gastric Cancer, 2016, 19: 543-552.

[20] Syba, J., Trnkova, K., Dostalova, L. et al. Comparison of narrow-band imaging with autofluorescence imaging for endoscopic detection of squamous cell carcinoma of the tonsil. Eur Arch Otorhinolaryngol 280, 5073-5080 (2023). https://doi.org/10.1007/s00405-023-08111-9

[21] de Wit J G, van Schaik J E, Voskuil F J, et al. Comparison of narrow band and fluorescence molecular imaging to improve intraoperative tumour margin assessment in oral cancer surgery[J]. Oral Oncology, 2022, 134: 106099.

[22] Ueda T, Dohi O, Naito Y, et al. Diagnostic performance of magnifying blue laser imaging versus magnifying narrow-band imaging for identifying the depth of invasion of superficial esophageal squamous cell carcinoma[J]. Diseases of the Esophagus, 2021, 34(3): doaa078.

[23] Nakano T, Dohi O, Naito Y, et al. Efficacy and feasibility of magnifying blue laser imaging without biopsy confirmation for the diagnosis of the demarcation of gastric tumors: a randomized controlled study[J]. Digestive Diseases, 2021, 39(2): 156-164.

[24] Kodashima S, Fujishiro M. Novel image-enhanced endoscopy with i-scan technology. World J Gastroenterol. 2010 Mar 7;16(9):1043-9. doi: 10.3748/wjg.v16.i9.1043. PMID: 20205272; PMCID: PMC2835778.

[25] Технология i-scan. https://www.uni-tec.su/obzori/1056-chto-takoe-i-scan-tekhnologii-pentax.html (дата обращения: 04.04.2025).

[26] FICE - технология спектральной обработки для получения высококонтрастных изображений. http://imteh.ru/catalogue.files/Endoscopu/14_FICE_RUS_Russian.pdf (дата обращения: 04.04.2025).

[27] LIU, Yun-xiang; HUANG, Liu-ye; BIAN, Xiao-ping; CUI, Jun; XU, Ning; WU, Cheng-rong. Fuji Intelligent Chromo Endoscopy and staining technique for the diagnosis of colon tumor. Chinese Medical Journal 121(11):p 977-982, June 2008.

[28] Kamphuis, Guido M. et al. "Storz Professional Image Enhancement System: A New Technique toImprove Endoscopic Bladder Imaging." Journal of Cancer Science & Therapy 8 (2016): 71-77.

[29] Bus, Mieke & de Bruin, Optical Diagnostics for Upper Urinary Tract Urothelial Cancer: Technology, Thresholds, and Clinical Applications. Journal of endourology / Endourological Society. (2014). 29. 10.1089/end.2014.0551.

[30] Stanikova L, Walderova R. Comparison of narrow band imaging and the Storz Professional Image Enhancement System for detection of laryngeal and hypopharyngeal pathologies. Eur Arch Otorhinolaryngol. 2018 Jul;275(7):1819-1825. doi: 10.1007/s00405-018-4987-3. Epub 2018 Apr 30. PMID: 29713886.

[31] Gnyawali, D., Sigdel, P.R., Rai, B.D.K. et al. Storz professional image enhancement system (SPECTRA A) enhancing detection of carcinoma urinary bladder by white light cystoscopy. Afr J Urol 30, 27 (2024). https://doi.org/10.1186/s12301-024-00429-y

[32] Emiliani, E., Talso, M., Baghdadi, M., Barreiro, A., Orosa, A., Servian, P., Traxer, O. (2017). Evaluation of the Spies™ modalities image quality. International Braz j Urol, 43(3), 476-480. doi: 10.1590/s1677-5538.ibju.2016.0324

[33] Технология автофлуоресцентного изображения AFI от OLYMPUS. http://endo.com.ru/technologies/AFI (дата обращения: 04.04.2025).

[34] Старков Юрий Геннадьевич, Солодинина Елена Николаевна, Шишин Кирилл Владимирович Эволюция диагностических технологий в эндоскопии и современные возможности выявления опухолей желудочно-кишечного тракта // ТМЖ. 2009. №2 (36). URL: https://cyberleninka.ru/article/n7evolyutsiya-diagnosticheskih-tehnologiy-v-endoskopii-i-sovremennye-vozmozhnosti-vyyavleniya-opuholey-zheludochno-kishechnogo-trakta (дата обращения: 13.01.2025).[35] Zhu B, Sevick-Muraca E M. A review of performance of near-infrared fluorescence imaging

171

devices used in clinical studies[J]. The British journal of radiology, 2015, 88(1045): 20140547.

[36] Matsui A, Tanaka E. Real-time intra-operative near-infrared fluorescence identification of the extrahepatic bile ducts using clinically available contrast agents. Surgery. 2010 Jul;148(1):87-95. doi: 10.1016/j.surg.2009.12.004. Epub 2010 Feb 1. PMID: 20117813; PMCID: PMC2886157.

[37] Yokoyama J, Fujimaki M. A feasibility study of NIR fluorescent image-guided surgery in head and neck cancer based on the assessment of optimum surgical time as revealed through dynamic imaging. Onco Targets Ther. 2013 Apr 8;6:325-30. doi: 10.2147/0TT.S42006. PMID: 23630424; PMCID: PMC3623571.

[38] Liu EH, Zhu SL, Hu J, Wong N, Farrokhyar F, Thoma A. Intraoperative SPY Reduces Post-mastectomy Skin Flap Complications: A Systematic Review and Meta-Analysis. Plast Reconstr Surg Glob Open. 2019 Apr 25;7(4):e2060. doi: 10.1097/G0X.0000000000002060. PMID: 31321157; PMCID: PMC6554150.

[39]Venugopal V, Park M. Design and characterization of an optimized simultaneous color and near-infrared fluorescence rigid endoscopic imaging system. J Biomed Opt. 2013 Dec;18(12):126018. doi: 10.1117/1.JB0.18.12.126018. PMID: 24362927; PMCID: PMC3875528.

[40] Mao, Y., Wang, K., He, K., Ye, J., Yang, F., Zhou, J., Tian, J. (2017). Development and application of the near-infrared and white-light thoracoscope system for minimally invasive lung cancer surgery. Journal of Biomedical Optics, 22(6), 066002. doi: 10.1117/1.jbo.22.6.066002.

[41] F. Yu, E. Song, H. Liu, J. Zhu and C. -C. Hung, "Laparoscopic Image-Guided System Based on Multispectral Imaging for the Ureter Detection," in IEEE Access, vol. 7, pp. 3800-3809, 2019, doi: 10.1109/ACCESS.2018.2889138.

[42] G. V. Papayan and A. L. Akopov, "Fluorescence diagnostics in the near-IR: apparatus, application," J. Opt. Technol. 83, 536-542 (2016)

[43]Glatz J, Symvoulidis P, Garcia-Allende PB, Ntziachristos V. Robust overlay schemes for the fusion of fluorescence and color channels in biological imaging. J

172

Biomed Opt. 2014 Apr;19(4):040501. doi: 10.1117/1.JBO.19.4.040501. PMID: 24695844.

[44] Papayan, G. & Kang, Uk. (2006). Fluorescence endoscopic video system. Journal of Optical Technology. 73. 739-743. 10.1364/J0T.73.000739.

[45] Ma, Zhen & Tavares, Joao & Natal Jorge, Renato. (2009). A Review on the Current Segmentation Algorithms for Medical Images.. IMAGAPP 2009 - Proceedings of the 1st International Conference on Computer Imaging Theory and Applications. 135140.

[46] Mahdavi SS, Chng N, Spadinger I, Morris WJ, Salcudean SE. Semi-automatic segmentation for prostate interventions. Med Image Anal. 2011 Apr;15(2):226-37. doi: 10.1016/j.media.2010.10.002. Epub 2010 Oct 26. PMID: 21084216; PMCID: PMC3142944.

[47] Xiberta, Pau & Boada, Imma & Bardera, Anton & Font i Furnols, Maria. (2017). A semi-automatic and an automatic segmentation algorithm to remove the internal organs from live pig CT images. Computers and Electronics in Agriculture. 140. 290-302. 10.1016/j.compag.2017.06.003.

[48] Rafael C. Gonzalez • Richard E. Woods, Digital Image Processing. 2001. [Учебное пособие]

[49] Д.Н. Тумаков; АЛГОРИТМИЧЕСКИЕ МЕТОДЫ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ. 2023 [Учебное пособие]

[50] W. X. Kang, Q. Q. Yang, R. R. Liang, The Comparative Research on Image Segmentation Algorithms, IEEE Conference on ETCS, pp. 703-707, 2009.

[51] Kornilov A S, Safonov I V. An overview of watershed algorithm implementations in open source libraries[J]. Journal of Imaging, 2018, 4(10): 123.

[52] Ng H P, Ong S H, Foong K W C, et al. Medical image segmentation using k-means clustering and improved watershed algorithm[C]//2006 IEEE southwest symposium on image analysis and interpretation. IEEE, 2006: 61-65.

[53] Romero-Zaliz R, Reinoso-Gordo J F. An updated review on watershed algorithms[J]. Soft computing for sustainability science, 2018: 235-258.

173

[54] Н. А. Обухова. Цифровая обработка изображений. 2024 [Учебное пособие]

[55] S. Minaee, Y. Boykov, F. Porikli, A. Plaza, N. Kehtarnavaz and D. Terzopoulos, "Image Segmentation Using Deep Learning: A Survey," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 44, no. 7, pp. 3523-3542, 1 July 2022, doi: 10.1109/TPAMI.2021.3059968.

[56] Sharma N, Aggarwal L M. Automated medical image segmentation techniques[J]. Journal of medical physics, 2010, 35(1): 3.

[57] Ronneberger, O., Fischer, P., Brox, T.: U-net: Convolutional networks for biomedical image segmentation. Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), pp. 234-241. (2015)

[58] Çiçek, O., Abdulkadir, A., Lienkamp, S.S., Brox, T., Ronneberger, O.: 3d u-net: learning dense volumetric segmentation from sparse annotation. In: Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), pp. 424-432 (2016)

[59] Long, J., Shelhamer, E., Darrell, T.: Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3431-3440. IEEE, Piscataway, NJ (2015)

[60] Pisner D A, Schnyer D M. Support vector machine[M]//Machine learning. Academic Press, 2020: 101-121.

[61] Seo H, Badiei Khuzani M, Vasudevan V, Huang C, Ren H, Xiao R, Jia X, Xing L. Machine learning techniques for biomedical image segmentation: An overview of technical aspects and introduction to state-of-art applications. Med Phys. 2020 Jun;47(5):e148-e167. doi: 10.1002/mp.13649. PMID: 32418337; PMCID: PMC7338207.

[62] Li S, Fevens T, Krzyzak A. A SVM-based framework for autonomous volumetric medical image segmentation using hierarchical and coupled level sets. International Congress Series 2004.

[63] O. Kodym, M. Spanel. Semi-automatic CT Image Segmentation using Random Forests Learned from Partial Annotations. In Proceedings of the 11th International Joint Conference on Biomedical Engineering Systems and Technologie 2018

174

[64] Hartmann, Dennis & Müller, Dominik & Soto-Rey, Inaki & Kramer, Frank. (2021). Assessing the Role of Random Forests in Medical Image Segmentation. 10.48550/arXiv.2103.16492.

[65] Song Y Y, Ying L U. Decision tree methods: applications for classification and prediction[J]. Shanghai archives of psychiatry, 2015, 27(2): 130.

[66] Quinlan J. R. Induction of decision trees // Machine Learning. 1986. № 1, P. 81106.

[67] Quinlan J. R. C4.5: Programs for Machine Learning // Machine Learning. 1994. Vol. 16. P. 235-240.

[68] Classification and Regression Trees / L. Breiman, J. Friedman, R. Olshen, C. J. Stone. Wadsworth, New York: Chapman and Hall, 1983. 874 p.

[69] Withey, D.J. & Koles, Zoltan. (2008). A review of medical image segmentation: Methods and available software. International Journal of Bioelectromagnetism. 10. 125148.

[70] Ng H P, Ong S H, Foong K W C, et al. Medical image segmentation using k-means clustering and improved watershed algorithm[C]//2006 IEEE southwest symposium on image analysis and interpretation. IEEE, 2006: 61-65.

[71] Wang, Risheng & Lei, Tao & Cui, Ruixia & Zhang, Bingtao & Meng, Hongying & Nandi, Asoke. (2022). Medical image segmentation using deep learning: A survey. IET Image Processing. 16. 10.1049/ipr2.12419.

[72] Khairnar S, Thepade S D, Gite S. Effect of image binarization thresholds on breast cancer identification in mammography images using OTSU, Niblack, Burnsen, Thepade's SBTC[J]. Intelligent Systems with Applications, 2021, 10: 200046.

[73] Sauvola J, Seppanen T, Haapakoski S, et al. Adaptive document binarization[C] // Proceedings of the fourth international conference on document analysis and recognition. IEEE, 1997, 1: 147-152.

[74] Mustafa W A, Yazid H, Jaafar M. An improved sauvola approach on document images binarization[J]. Journal of Telecommunication, Electronic and Computer Engineering (JTEC), 2018, 10(2): 43-50.

[75] Saxena L P. Niblack's binarization method and its modifications to real-time applications: a review[J]. Artificial Intelligence Review, 2019, 51(4): 673-705.

[76] Song, Y., & Hao, Y. (2017). Image Segmentation Algorithms Overview. ArXiv, abs/1707.02051.

[77]Sezgin M, Sankur B. Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic imaging, 2004, vol. 13, no. 1, pp. 146-165. doi: 10.1117/1.1631315

[78] Qiao W, Wu C. Weighting Otsu's Segmentation Method and Its Fuzzy Theory Explanation. Computer Engineering, 2009, V. 10. (in Chinese)

[79] Clinical development and potential of photothermal and photodynamic therapies for cancer / X. Li, J. F. Lovell, J. Yoon, X. Chen // Nature Reviews Clinical Oncology. 2020. Vol. 17, № 11. P. 657-674. doi: 10.1038/s41571-020-0410-2

[80] Photodynamic therapy for management of cervical intraepithelial neoplasia II and III in young patients and obstetric outcomes / M. C. Choi, S. G. Jung, H. Park, S. Y. Lee, C. Lee, Y. Y. Hwang, S. J. Kim // Lasers in Surgery and Medicine. 2013. Vol. 45, № 9. P. 564-572. doi: 10.1002/lsm.22187

[81] Luo M R, Cui G and Rigg B, The development of the CIE 2000 colour-difference formula: CIEDE2000, Color Research & Application: Endorsed by Inter-Society Color Council, The Colour Group (Great Britain), Canadian Society for Color, Color Science Association of Japan, Dutch Society for the Study of Color, The Swedish Colour Centre Foundation, Colour Society of Australia, Centre Français de la Couleur, 2001, vol. 26, no. 5, pp. 340-350, doi: 10.1002/col.1049.

[82] S. Di Zenzo, "Note: A note on the gradient of a multi-image," Computer Vision, Graphics, and Image Processing, vol. 33, no. 1, pp. 116-125, 1986

[83] Montagna R, Finlayson GD. Reducing integrability error of color tensor gradients for image fusion. IEEE Trans Image Process. 2013 Oct;22(10):4072-85. doi: 10.1109/TIP.2013.2270108. Epub 2013 Jun 19. PMID: 23797256.

[84] Брахман Т. Р. Многокритериальность и выбор альтернативы в технике. — М.: Радио и связь, 1984. — 287 с.

[85] Kim A-Ri, Kim Hong-Suk, Park Seung-ok, Measuring of the Perceptibility and Acceptability in Various Color Quality Measures, Journal of the Optical Society of Korea, 2011, v.15.

[86] KARL STORZ endoscope. https://www.karlstorz.com/de/en/Imaging-Solutions.htm (дата обращения: 04.04.2025).

[87] Haridas S, Indurkhya S, Kumar S, Giridhar A, Sivaprasad S. Sensitivity and specificity of pseudocolor ultrawide field imaging in comparison to wide field fundus fluorescein angiography in detecting retinal neovascularization in diabetic retinopathy. Eye (Lond). 2022 0ct;36(10):1940-1944. doi: 10.1038/s41433-021-01772-y. Epub 2021 Sep 28. PMID: 34584231; PMCID: PMC9499994.

[88] S. Liu and J. Wu, "Fast Patch-Based Image Hybrids Synthesis," 2011 12th International Conference on Computer-Aided Design and Computer Graphics, Jinan, China, 2011, pp. 191-197, doi: 10.1109/CAD/Graphics.2011.83.

[89] Zhang L, Wen T, Shi J. Deep image blending[C]//Proceedings of the IEEE/CVF winter conference on applications of computer vision. 2020: 231-240.

[90] Salvi M, Vaidyanathan K. Multi-layer alpha blending[C]//Proceedings of the 18th Meeting of the ACM SIGGRAPH Symposium on Interactive 3D Graphics and Games. 2014: 151-158.

[91] Sinaga, Kristina P., and Miin-Shen Yang., "Unsupervised K-means clustering algorithm.", IEEE access, vol. 8, 2020, pp. 80716-80727, doi: 10.1109/ACCESS.2020.2988796.

[92] Syakur M A, Khotimah B K, Rochman E M S, et al. Integration k-means clustering method and elbow method for identification of the best customer profile cluster[C]//IOP conference series: materials science and engineering. IOP Publishing, 2018, 336: 012017.

[93] Khayam S A. The discrete cosine transform (DCT): theory and application[J]. Michigan State University, 2003, 114(1): 31.

[94] Yassin A A, Ghadban R M, Saleh S F, et al. Using discrete wavelet transformation to enhance underwater image[J]. International Journal of Computer Science Issues, 2013, 10(2): 220-228.

[95] А.А. ФЕДОТОВ, ОСНОВЫ ЦИФРОВОЙ ОБРАБОТКИ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ.2013 [Учебное пособие]

[96] Tao, li & Asari, Vijayan. (2005). Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of color images. J. Electronic Imaging. 14. 043006. 10.1117/1.2136903.

[97] Arigela S, Asari V K. A locally tuned nonlinear technique for color image enhancement^]. WSEAS Transactions on Signal Processing, 2008, 4(8): 514-519.

[98] Salem N, Malik H, Shams A. Medical image enhancement based on histogram algorithms. Procedia Computer Science, 2019, vol. 163, pp. 300-311. doi: 10.1016/j.procs.2019.12.112.

[99] Грачева, М. А., В. П. Божкова, А. А. Казакова and Галина Ивановна Рожкова. "Субъективная оценка качества статических и видеоизображений: методологический обзор." (2019).

[100] Olympus. https://www.olympus-europa.com/medical/en/Products-and-Solutions/Medical-Solutions/EndoTherapy/ (дата обращения: 04.04.2025).

ОПУБЛИКОВАННЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ

[A1] Ян С., Обухова Н.А., Автоматический метод сегментации флуоресцентных изображений, полученных в ближнем инфракрасном диапазоне. Известия высших учебных заведений России. Радиоэлектроника, 2022, №.6, С. 40 -49. doi: 10.32603/1993-8985-2022-25-6-40-49.(ВАК)

[A2] Ян С., Метод визуализации мультиспектральных данных в лапароскопии. Известия высших учебных заведений России. Радиоэлектроника, 2024, №2.1, С. 102116. doi: 10.32603/1993-8985-2024-27-1-102-116.(ВАК)

[A3] Yang Xin, Obukhova Nataliia A., The Automatic Method of Endoscopic Images Analysis for Differential Diagnosis. 2021 IEEE Conference of Russian Young

178

Researchers in Electrical and Electronic Engineering (ElConRus), St. Petersburg, 2021, pp. 1708-1711, doi: 10.1109/ElConRus51938.2021.9396379. (Индексируется в Scopus) [A4] Yang Xin, Obukhova Nataliia A., Automatic Segmentation of Fluorescence Endoscopic Images Based on the Weighted Otsu Method. 2022 Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus), Saint Petersburg, 2022, pp. 1439-1442, doi: 10.1109/ElConRus54750.2022.9755710. (Индексируется в Scopus)

[A5] Yang Xin, Obukhova Nataliia A., A Multispectral Imaging Algorithm Conforming to the Visual Perception of Human Eyes. Digital Signal Processing and Its Applications - DSPA-2023, Moscow, 2023, pp. 1-5, doi: 10.1109/DSPA57594.2023.10113412. (Индексируется в Scopus)

[A6] Ян С., Обухова Н.А., Мотыко А.А. Поздеев А.А., Савельева О.Р., Цветовые преобразования видеоэндоскопических изображений. В сборнике: GraphiCon 2024. Материалы 34-й Международной конференции по компьютерной графике и машинному зрению. Омск, 2024. С. 641-655. (РИНЦ)

[A7] Ян С., Обухова Н. А., Метод сегментации флуоресцентных изображений, полученных в ближнем инфракрасном диапазоне. 11 -ой школа-семинаре «Инфокоммуникационные технологии в цифровом мире», Санкт-Петербург, 2021, С. 44-46.

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

СПбГЭТУ«лэти»

ПЕРВЫЙ ЭЛЕКТРОТЕХНИЧЕСКИЙ

МИНОБРНЛУКИ РОССИИ федеральное государственное автономное образовательное учреждение высшего

образования

«Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина)» (СПбГЭТУ «ЛЭТИ»)

ул. Профессора Попова, д,5 литера Ф, Санкт-Петербург, 197022 Телефон: [phone]; факс: [phone]; e-mail: [e-mail]; https://ctu.ru ОКПО 02068539; ОГРН 1027806875381; ИНН/К

Составлен комиссией в составе:

Председатель: зам, декана факультета радиотехники и телекоммуникаций по научной работе, к.т.н, Маркелов О.А.

Члены комиссии; к.т.н., Мотыко А.А.; к.т.н. Баранов П.С.

Комиссия составила настоящий акт о том, что материалы диссертационной работы Ян С. «Методы обработки и визуализации мультиспектральных медицинских изображений» были использованы в международных научно-исследовательских проектах, проводимых совместно Санкт-Петербургским государственным электротехническим университетом «ЛЭТИ» им. В.И. Ульянова (Ленина) и отделом инновационных медицинских приборов Корейского электротехнологического исследовательского института - Korea Electrotechnology Research Institute, компанией Co Ltd "InTheSmart" (Южная Корея) и клиникой Сеульского национального университета:

- «Разработка технологии анализа медицинских эндоскопических изображений»;

- «Исследование технологий искусственного интеллекта для применения в задачах лапароскопии».

АКТ

о внедрении результатов диссертационной работы Ян Синь «Методы обработки и визуализации мультиспектральных медицинских изображений».

Председатель:

Зам. декана ФРТ по научной работе к.т.н.

Члены комиссии:

к.т.н. доцент кафедры ТВ

к.т.н. зам. зав. каф. ТВ по научной работе

^Мотыко А.А. Баранов П.С.

Маркелов О.А.