Разработка алгоритмического и программного обеспечения обработки данных рентгеновской компьютерной томографии для контроля структуры изделий из полимерных композиционных материалов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ширшин Александр Вадимович

• Ширшин Александр Вадимович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Ширшин Александр Вадимович

Реферат

ЗТООРЗУБ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР МЕТОДОВ И АЛГОРИТМОВ ОЦЕНКИ СТРУКТУРЫ ИЗДЕЛИЙ АДДИТИВНОГО ПРОИЗВОДСТВА ИЗ ПОЛИМЕРНЫХ КОМПОЗИЦИОННЫХ МАТЕРИАЛОВ ПО ДАННЫМ РЕНТГЕНОВСКОЙ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ

1.1 Особенности изделий аддитивного производства из полимерных композиционных материалов

1.2 Основы рентгеновской компьютерной томографии

1.3 Способы сегментации данных рентгеновской компьютерной томографии

1.4 Выводы по главе

ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА АВТОМАТИЧЕСКОЙ СЕГМЕНТАЦИИ ТРЁХМЕРНЫХ ДАННЫХ РЕНТГЕНОВСКОЙ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ ИЗДЕЛИЙ АДДИТИВНОГО ПРОИЗВОДСТВА ИЗ ПОЛИМЕРНЫХ КОМПОЗИЦИОННЫХ МАТЕРИАЛОВ

2.1 Применение текстурных характеристик для решения задач автоматизации сегментации данных рентгеновской компьютерной томографии

2.2 Получение образцов с заданными структурно-морфологическими параметрами

2.3 Анализ морфологической структуры объектов с использованием текстурных характеристик

2.4 Применение текстурных фильтров для автоматизации сегментации

2.5 Описание алгоритма сегментации изотекстурных зон по данным рентгеновской компьютерной томографии

2.6 Выводы по главе

ГЛАВА Э.РАЗРАБОТКА МЕТОДИКИ РАЗБИЕНИЯ ДАННЫХ РЕНТГЕНОВСКОЙ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ НА ИЗОТЕКСТУРНЫЕ ОБЛАСТИ С ПРИМЕНЕНИЕМ МЕТОДОВ ТЕКСТУРНОГО АНАЛИЗА И МАШИННОГО ОБУЧЕНИЯ

3.1 Обоснование выбора алгоритма классификации изотекстурных кластеров

3.2 Оценка эффективности используемых методов кластеризации

3.3 Методика разбиения данных рентгеновской компьютерной томографии на изотекстурные области и программное обеспечение автоматической сегментации

3.4 Выводы по главе

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНАЯ АПРОБАЦИЯ АЛГОРИТМА И ПРОГРАММЫ АВТОМАТИЧЕСКОЙ СЕГМЕНТАЦИИ

4.1 Постановка эксперимента по сравнению методов сегментации

4.2 Результаты экспериментальной апробации алгоритма и программы автоматической сегментации

4.3 Внедрение результатов диссертационного исследования

4.4 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. АКТЫ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ

ПРИЛОЖЕНИЕ Б. СВИДЕТЕЛЬСТВА О РЕГИСТРАЦИИ

ПРИЛОЖЕНИЕ В. ТЕКСТ ПРОГРАММЫ АВТОМАТИЧЕСКОЙ СЕГМЕНТАЦИИ

ТЕКСТЫ ПУБЛИКАЦИЙ

Реферат

I. ОБЩАЯ ХАРАКТЕРИСТИКА ДИССЕРТАЦИИ

Введение диссертации (часть автореферата) на тему «Разработка алгоритмического и программного обеспечения обработки данных рентгеновской компьютерной томографии для контроля структуры изделий из полимерных композиционных материалов»

Актуальность темы исследования

Изделия аддитивного производства из полимерных композиционных материалов (ПКМ) благодаря возможности мелкосерийного производства и кастомизации физико-механических свойств в настоящее время достаточно широко применяются в различных сферах человеческой деятельности, в том числе для медицинских нужд [1-4]. При этом получаемые изделия, как правило, обладают сложной геометрической формой и нерегулярной внутренней структурой, напрямую влияющими на их эксплуатационные свойства, что осложняет контроль качества изготавливаемой продукции [5-7].

В настоящее время существуют различные методики контроля качества изделий из ПКМ. Учитывая мелкосерийное и относительно длительное производство изделий из ПКМ приоритет отдаётся методам неразрушающего контроля [8]. Широко распространённые методы неразрушающего контроля, основанные на оптических и акустических принципах, ограниченно применимы для контроля качества изделий аддитивного производства [9]. Применение оптических методов позволяет с высокой достоверностью оценивать внешние геометрические параметры объекта, но при этом невозможно отразить его внутреннюю структуру. Использование акустических методов, в свою очередь, даёт возможность охарактеризовать внутреннюю структуру изделия, но с существенными ограничениями, связанными с ограниченным проникновением акустических волн в толщу материала, а также недостаточностью данных для комплексной трёхмерной реконструкции исследуемого объекта. Приоритетным методом неразрушающего контроля, исключающим указанные ограничения, является рентгеновская компьютерная томография [10].

Важным этапом в контроле качества изделий аддитивного производства из полимерных композиционных материалов методом рентгеновской компьютерной

томографии (РКТ) является сегментация - выделение из томографических данных областей изделия, имеющих одинаковую морфологическую структуру (изотекстурных областей). При этом сегментация данных областей оператором вручную является трудоёмким процессом [11]. Существующие в настоящее время алгоритмы автоматизированной сегментации ограничиваются либо выделением компонентов полимерного композита, либо не учитывают трёхмерную природу томографических данных, поэтому уступают по точности мануальной сегментации. Таким образом, остаётся открытым решение проблемы автоматизации сегментации изотекстурных зон изделий аддитивного производства из полимерных композиционных материалов.

Степень проработанности темы исследования

Основой для разработки методов и алгоритмов автоматизированной сегментации данных рентгеновской компьютерной томографии изделий из полимерных композиционных материалов являются труды научных групп из различных отечественных и иностранных исследовательских организаций. К отечественным ученым, занимавшимся разработками в данной области, относятся: Косарина Е.И. (Всероссийский научно-исследовательский институт авиационных материалов) [12-15], Ларин А.А. (Московский авиационный институт) [16-19], Митряйкин В.И. (Казанский национальный исследовательский технический университет им. А.Н. Туполева) [20-23], Чахлов С.В. (Национальный исследовательский Томский политехнический университет) [24-26], Крупнина О.А. (Московский государственный технический университет им. Н.Э. Баумана) [27-29], Саченков О.А. (Казанский (Приволжский) федеральный университет) [30-32], Бехметьев В.И. (Московский авиационный институт) [3335], Зайцева Т.А. (Казанский национальный исследовательский технический университет им. А.Н. Туполева) [36-38]. Существенный вклад в развитие предметной области внесли международные исследователи: Haralick R. (Городской университет Нью-Йорка, США) [39-41], Garcea S.C. (Университет Манчестера, Великобритания) [42-44], Mendoza A. (Университет Париж-Сакле, Франция) [45,

46], АиепЬаттег R. (Технический университет Чалмерса, Швеция) [47-49], Сгоот В.Р. (Университет Джонса Хопкинса, США) [50-52], БтсИик У. (Университет Париж-Сакле, Франция) [53-55], Straumit I. (Лёвенский католический университет, Бельгия) [56-58].

В работах Митряйкина В.И. представлены подходы к автоматизации обработки томографических данных изделий из полимерных композитных материалов на основе последовательного анализа гистограмм распределения рентгеновской плотности [20-22]. В публикациях Косариной Е.И. рассмотрены подходы к сегментации изделий из полимерных материалов с использованием пороговой бинаризации [13, 14]. Основной акцент данных работ сосредоточен на выявлении компонентов полимерного композитного материала или их дефектов, но не рассматривает проблему выделения изотекстурных областей.

Стоит отметить, что в опубликованных работах для решения задачи сегментации данных рентгеновской компьютерной томографии изделий из полимерных композиционных материалов используются методы ручной разметки [42], пороговой бинаризации [13, 14, 30, 32, 50, 56], морфологической обработки [49, 55], наращивания областей [43], текстурного (в т.ч. гистограммного) анализа [20-22, 34, 59], графов [47], классического машинного обучения и нейронных сетей [54, 60-63] преимущественно для выделения компонентов композита (матрикса и наполнителя) или их дефектов по отдельным томографическим срезам.

Однако в указанных работах не учитывается необходимость выделения изотекстурных областей изделия, возникающая при комплексном анализе его структуры. В свою очередь, используемые исследователями подходы к автоматизации сегментации, как правило, включают последовательный анализ отдельных томографических изображений, без учёта трёхмерной природы данных рентгеновской компьютерной томографии. Также следует отметить, что, до настоящего времени, разработки в области алгоритмического и программно-технического обеспечения обработки результатов рентгеновской компьютерной томографии, включая область разработки методов и алгоритмов

автоматизированной сегментации изделий аддитивного производства из полимерных композиционных материалов, с учетом указанных особенностей, не реализованы, а задача сохранения приемлемой достоверности результатов автоматизированной сегментации морфологической структуры изделий аддитивного производства из полимерных композиционных материалов не решена в окончательном виде. Например, в промышленной системе автоматизированной сегментации данных рентгеновской компьютерной томографии Mimics (Materialise, Бельгия) используются подходы, основанные на пороговой бинаризации, морфологической обработке и детекции контуров. Недостатком данной системы является невозможность группировки регулярных структур различной плотности в рамках изотекстурной области, что требует ручной корректировки результатов работы существующих алгоритмов для релевантной сегментации морфологической структуры изделия, что ведёт к дополнительным трудозатратам.

Таким образом, тема диссертационной работы является актуальной.

Объектом исследования являются цифровые трёхмерные данные рентгеновской компьютерной томографии изделий аддитивного производства из полимерных композиционных материалов и методы их обработки.

Предметом исследования являются методы и алгоритмы сегментации данных рентгеновской компьютерной томографии изделий аддитивного производства из полимерных композиционных материалов.

Целью диссертационной работы является повышение достоверности контроля структуры изделий аддитивного производства из полимерных композиционных материалов на основе разработки алгоритмического и программного обеспечения автоматической обработки данных рентгеновской компьютерной томографии.

Научно-техническая задача, которая решается в данной диссертации, состоит в разработке методов и алгоритмов автоматической сегментации изотекстурных зон изделий аддитивного производства из полимерных

композиционных материалов по данным рентгеновской компьютерной томографии.

Для достижения поставленной цели необходимо решить следующие задачи:

1) провести аналитический обзор существующих методов и алгоритмов оценки структуры изделий аддитивного производства из полимерных композиционных материалов по данным рентгеновской компьютерной томографии;

2) разработать алгоритм автоматической сегментации трёхмерных данных рентгеновской компьютерной томографии изделий аддитивного производства из полимерных композиционных материалов;

3) разработать методику разбиения данных рентгеновской компьютерной томографии на изотекстурные области с применением методов текстурного анализа и машинного обучения;

4) провести экспериментальную апробацию разработанного алгоритмического и программного обеспечения.

Научная новизна результатов исследования состоит в том, что:

1) впервые для сегментации данных рентгеновской компьютерной томографии изделий аддитивного производства из полимерных композиционных материалов была предложена методика разбиения данных РКТ, основанная на использовании методов кластеризации с текстурной фильтрацией и классификации на основе радиомических характеристик.

2) разработан новый алгоритм автоматической сегментации данных рентгеновской компьютерной томографии изделий аддитивного производства из полимерных композиционных материалов который основан на методах текстурного анализа и машинного обучения. Данный алгоритм, в отличие от ранее известных, учитывает трёхмерные текстурные характеристики объекта контроля, а также направлен на выделение изотекстурных зон.

Теоретическая значимость научных результатов диссертационной работы заключается в том, что они вносят вклад в развитие алгоритмов и методов

сегментации данных рентгеновской компьютерной томографии, что способствует развитию автоматизированных систем неразрушающего контроля, увеличению оперативности контроля изделий аддитивного производства из полимерных композиционных материалов.

Практическая значимость выполненного диссертационного исследования состоит в том, что использование разработанных алгоритма, методики и программного обеспечения позволяет повысить достоверность сегментации в сравнении с автоматизированным способом с 75,4 % до 91,4 % при учёте текстуры и с 86,7 % до 92,8 % без учёта текстуры (при разделении объект-фон), а также повысить оперативность процесса сегментации изотекстурных зон изделий аддитивного производства из полимерных композиционных материалов (в расчёте на 105 вокселей) с 377,4 с (при ручной сегментации) до 16,0 с на 105 вокселей при средних линейных отклонениях размеров сегментируемых зон 0,75 мм и 0,79 мм, соответственно.

Основные результаты диссертационной работы внедрены ФГБВОУ ВО «Военно-медицинская академия имени С.М. Кирова», ООО «Медицинские симуляционные технологии» и используются для автоматизации сегментации изделий аддитивного производства для медицинских нужд.

Методология и методы исследования.

В ходе исследования были использованы методы математического, статистического и сравнительного анализа, обработки сигналов, компьютерного зрения и теории машинного обучения, извлечения признаков и текстурного анализа.

Основные положения, выносимые на защиту:

1. Методика обработки результатов рентгеновской компьютерной томографии, основанная на применении процедур кластеризации с текстурной фильтрацией и классификации на основе радиомических характеристик, позволяет разделять данные на кластеры с точностью 86 %, сферичностью 79 % и классифицировать их с точностью 85 % (пункт 6 паспорта специальности 2.2.8)

2. Алгоритм и программа автоматической сегментации данных рентгеновской компьютерной томографии позволяют выделять изотекстурные зоны со средним линейным отклонением размеров 0,79 мм и средним временем сегментации (из расчёта на 100000 вокселей) 13,4 с, при этом достоверность контроля морфологической структуры составляет 91,4 % при учёте текстуры и 92,8 % без учёта текстуры (разделении объект-фон) (пункт 6 паспорта специальности 2.2.8).

Внедрение результатов работы

Результаты работы внедрены в практическую деятельность научно-исследовательского центра ФГБВОУ ВО «Военно-медицинская академия имени С.М. Кирова», ООО «Медицинские симуляционные технологии» и были использованы для автоматизации сегментации изделий аддитивного производства для медицинских нужд.

Использование результатов диссертационной работы позволило снизить операционное время, затрачиваемое на сегментацию изделий из полимерных композиционных материалов по данным рентгеновской компьютерной томографии путём внедрения алгоритмов и программного обеспечения для автоматической сегментации с применением машинного обучения.

Достоверность результатов, полученных в диссертационном исследовании обеспечивается: корректным использованием методов сравнительного анализа, методов статистического анализа, методов обработки сигналов, методов компьютерного зрения и теории машинного обучения, методов извлечения признаков и текстурного анализа; воспроизводимостью результатов экспериментов; сопоставлением экспериментальных и теоретических данных; апробированием результатов на всероссийских и международных научных конференциях с признанием основных положений диссертации профильными специалистами, внедрением результатов работы в практическую и научно-исследовательскую деятельность.

Апробация результатов работы

Основные результаты диссертационного исследования были обсуждены на всероссийских и международных конференциях, в числе которых:

- Невский Радиологический Форум - 2024, г. Санкт-Петербург (12.04.2024-13.04.2024);

- 17 Международная научно-техническая конференция «Оптические методы исследования потоков» ОМИП-2023, г. Москва (26.06.2023-30.06.2023);

- XII Конгресс молодых ученых (КМУ) ИТМО, г. Санкт-Петербург (03.04.2023 - 06.04.2023);

- Конгресс Российского общества рентгенологов и радиологов, г. Москва (08.11.2022 - 10.11.2022);

- Форум «Жигулевская долина-2022». Вторая международная научно-практическая конференция «3D-технологии в клинической анатомии и медицине», г. Самара (08.09.2022 - 09.09.2022);

- XI Конгресс молодых ученых (КМУ) ИТМО, г. Санкт-Петербург (04.04.2022 - 08.04.2022);

- LI научная и учебно-методическая конференция Университета ИТМО, г. Санкт-Петербург (02.02.2022 - 05.02.2022);

- III научно-техническая конференция «Состояние и перспективы развития современной науки по направлению «Техническое зрение и распознавание образов»», г. Анапа (18.03.2021).

Публикации

Основное содержание диссертации опубликовано в 12 публикациях, из них 3 публикации в изданиях, рецензируемых Web of Science или Scopus [66-68], 2 публикации в журналах из перечня ВАК [64, 65], 3 публикации в иных изданиях [69-71] и 4 охранных документов на результаты интеллектуальной деятельности [132, 155-157].

Личный вклад автора состоит в постановке цели и задач исследования; определении научных положений; планировании, постановке, обработке

результатов экспериментов по оценке особенностей пространственного соотношения компонентов (объёмной текстуры) различных изделий из композитных материалов на основе РКТ-изображений, сравнительном анализе эффективности алгоритмов кластеризации и классификаций данных РКТ изделий из ПКМ; разработке и экспериментальной апробации алгоритма и программы автоматической сегментации компонентов изделий из ПКМ по данным РКТ на изделиях для медицинских нужд.

Результаты, приведенные в диссертации, составляющие её научную новизну, практическую значимость и положения, выносимые на защиту, получены лично автором. Подготовка публикаций проводилась совместно с научным руководителем и соавторами, при этом вклад соискателя был определяющим.

Структура и объём диссертации

Диссертационная работа состоит из введения, четырёх глав, заключения, списка использованной литературы и трёх приложений. Общий объём диссертации составляет 266 страниц, включая 36 рисунков и 8 таблиц, список литературы содержит 158 наименований.

II. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении приводится обоснование актуальности и степень проработанности темы исследования. Сформулированы цель и задачи исследования, научная новизна и практическая значимость результатов диссертационной работы. Рассмотрены алгоритмы и методы исследования, описаны положения, выносимые на защиту. Указана достоверность, апробация и внедрение результатов исследования, перечислены научные публикации автора по теме работы, изложены объем и структура диссертации.

В первой главе дана краткая характеристика полимерных композиционных материалов и изделий из них. Приведены основные определения и понятия, относящиеся к ПКМ, а также их классификация. Выявлено, что морфологические соотношения и химическая структура компонентов играют значительную роль в

дифференцировке полимерных композитов и оказывают непосредственное влияние на физико-механические свойства последних.

Рассмотрены некоторые способы получения полимерных композитов и изделий из них, а также указан ряд дефектов, которые могут возникнуть на этапе производства. Обнаружено, что морфологическое соотношение компонентов полимерного композитного материала и вероятность наличия в нём дефектов различного типа существенно зависит от метода изготовления соответствующего изделия.

Указаны основные сферы человеческой деятельности, где в настоящее время применяются изделия из ПКМ. Выделены некоторые структурные особенности полимерных композитов, обуславливающие их функциональные свойства и специфику изменения последних в процессе эксплуатации. Определено, что желаемые физико-механические свойства могут быть спроектированы, при этом тип, форма, объёмное соотношение наполнителя и полимерной матрицы оказывает непосредственное влияние на задаваемые характеристики.

Дано краткое описание основ метода рентгеновской компьютерной томографии. Выявлено, что компьютерная томография является эффективным методом неразрушающего контроля объектов из различных (в том числе полимерных) материалов, а получаемые при этом данные, несмотря на возможность наличия искажений, представлены в форме, позволяющей производить как их визуальный анализ, так и применять широко распространённые средства автоматизации (цифровой обработки и анализа изображений).

Показаны некоторые распространённые средства автоматизированной оценки структуры изделий из полимерных композиционных материалов по данным компьютерной томографии, в том числе методы цифровой обработки, анализа текстуры и глубокого обучения.

Выявлено, что в качестве средств автоматизации процесса сегментации данных РКТ используются широко применяемые инструменты обработки

изображений (пороговая бинаризация, детекция контуров, наращивание областей, морфологические операции):

Пороговая обработка (бинаризация) является одним из наиболее примитивных средств автоматизации сегментации изображений [72]. Наилучшие результаты пороговая обработка демонстрирует на изображениях, в которых выделяемые зоны значительно отличаются от остальной структуры средней яркостью. В основе пороговой бинаризации лежит применение порога t (при необходимости может быть добавлен дополнительный порог , определяющий диапазон пороговых значений) с преобразованием изображения х(11) ¿2) в у(11) ¿2) по формуле:

У(Ч, У =

У0' при х(*1, ¿2) < I У1, при t < х(*1, ¿2) < ¿1 Уо, при х(*1, ¿2) > ¿1

(1)

<

где у0 относит анализируемый воксель к фону, у1 - к сегментируемому объекту.

Пороги могут быть определены эмпирически, а также с помощью различных автоматических методов (Оцу, Танаки, триангуляция).

Детекция контуров как средство автоматизации сегментации данных РКТ заключается в применении методов выделения контуров на изображении (свертка с ядрами Собел, Превитт; алгоритм Кенни) с последующим созданием замкнутых областей на их основе [73]. Карта сегментации создаётся путём отнесения вокселей к той или иной зоне в зависимости от попадания в область, ограниченную контуром. Данный подход применим если сегментируемые области однородны по рентгеновской плотности с высокими перепадами значений на границе областей.

Наращивание областей применяется, как и в случае с детекцией контуров, на изображениях с высокими перепадами яркости на границе сегментируемых областей, но в отличие от пороговой обработки, менее чувствительно к

незначительным перепадам яркости внутри области [74]. Для реализации данного способа необходимо инициализировать начальные кластеры сегментируемой области, после происходит автоматический анализ прилегающих зон согласно выбранному решающему правилу.

Морфологические операции применяются, как правило, для постобработки результатов выделения областей предыдущими способами, в случае если полученные карты содержат пустоты или островки избыточной сегментации [75]. Наиболее распространёнными морфологическими операциями считают эрозию, дилатацию, открытие и закрытие. Операция открытия использует к изображению эрозию (2)

y(ii, У = min +Л, ¿2 +У2)), (2)

затем дилатацию (3)

У(Ч, ¿2) = тах +71, ¿2 +7г)), (3)

где х(11, ¿2) - исходное изображение,

у(ч, ¿2) - преобразованное изображение,

(/1,72) - ядро свёртки, а операция закрытия включает сначала дилатацию (3), после эрозию (2). Данные операции, применённые в различной последовательности, позволяют выравнивать контуры, удалять избыточные элементы и пустоты (размером меньше ядра свёртки), восстанавливая в ряде случаев сплошность карты сегментации.

Использование данных инструментов автоматизации существенно уменьшает время, затрачиваемое на сегментацию, тем не менее точность получаемых карт оказывается значительно ниже, в сравнении с ручной сегментации, что требует дополнительной мануальной корректировки результатов.

Это обстоятельство, в совокупности с выбором инструмента автоматизации делает метод автоматизированной сегментации операторозависимым, что делает актуальной разработку исследователями полностью автоматических методов сегментации [76].

Во второй главе представлены результаты разработки алгоритма и метода автоматической сегментации данных рентгеновской компьютерной томографии изделий аддитивного производства из полимерных композиционных материалов который основан на методах текстурной фильтрации, кластеризации, текстурного анализа и классификации.

Дана оценка возможности применения текстурных характеристик, вычисленных по данным РКТ, для определения структурно-морфологических особенностей изделий из ПКМ. Выявлено, что на основе единичных радиомических характеристик возможно отделение композитов от материалов с гомогенной структурой, а измеренные на основе томографических данных морфологические параметры объектов с относительно высокой точностью соответствуют их пространственным характеристикам, измеренным с помощью прямых методов.

В частности, при анализе внешней морфологии физических объектов и их виртуальных двойников, полученных по данным РКТ отмечена выраженная корреляция для параметра максимальный размер: = 0,649 и объём: = 0,702 (р05 = 0,304). Это позволило сделать вывод о том, что размеры изотекстурных зон, полученные при сегментации виртуальных моделей, могут отражать размеры соответствующих зон физической модели.

Среди радиомических характеристик формы объекта выявлена надпороговая ранговая корреляция между физическими и виртуальными измерениями для показателей максимального размера, объёма, площади поверхности, сферичности (отношения площади сферы объёма сегмента к площади самого сегмента), отношения площадь/объём.

Отмечено, что текстурные характеристики I рода (среднее, медиана, однородность) коррелируют с объёмной долей пластика. Относительное содержание пластика в образцах также значимо коррелирует с коэффициентом эксцесса, так как последний принимает более высокие значения при увеличении количества перепадов яркости [63]. Напротив, в случае равномерного распределения компонентов значительный вклад вносит эффект частичного объёма, и гистограмма обнаруживает преобладание средних частот, что может ограничивать применение коэффициента эксцесса в оценке плотности заполнения.

Показатели I порядка однородность и энтропия продемонстрировали значимую корреляцию с объёмным соотношением пустот, но в ряде случаев имели различия для одинаковой объёмной доли пустот, но различной их формы. Например, заполнение «куб» и «сетка» не отличались по параметрам среднее (р = 0,253) и коэффициент эксцесса (р = 0,253), но имели различия по параметрам однородность (р = 5,8 X 10-7) и энтропия (р = 4,1 X 10-6). Данная особенность может быть вызвана различными колебаниями в локальном распределении частот при одинаковых показателях интегрирующих гистограммных кривых.

В ходе анализа объёмных текстурных характеристик II рода было выявлено, что ни один из показателей, взятый изолированно, не позволяет достоверно охарактеризовать однородность внутренней структуры и выявлять пустоты. Несмотря на это, ряд радиомических показателей демонстрируют высокую предсказательную способность (Л^С > 0,7) в детекции регулярных внутренних структур, в частности, некоторые из характеристик, такие как занятость (КОТОМ), неоднородность уровней серого (ОЬЯЬМ), неоднородность зависимости (ОЬЭМ) обладают чувствительностью более 95 %. Исследователи отмечают повышение предсказательной способности логит-модели при использовании нескольких радиомических характеристик, обладающих наибольшей информативностью [77].

Список литературы диссертационного исследования кандидат наук Ширшин Александр Вадимович, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Paari-Molnar, E. Comprehensive Study of Mechanical, Electrical and Biological Properties of Conductive Polymer Composites for Medical Applications through Additive Manufacturing / E. Paari-Molnar, K. Kardos, R. Told, I. Simon, N. Sahai, P. Szabo, J. Bovari-Biri, A. Steinerbrunner-Nagy, J. E. Pongracz, S. Rendeki, P. Maroti // Polymers. - 2024. - Vol. 16. - № 18. - P. 2625.

2. Gajbhiye, T. S. Polymer composite additive manufacturing: Applications, challenges and opportunities / T. S. Gajbhiye, S. Waghmare, M. Dhande, R. Gondane, M. Giripunje, S. Shelare, P. Belkhode. - Text: electronic // Materials Today: Proceedings. - 2024. - Polymer composite additive manufacturing. - URL: https://www.sciencedirect.com/science/article/pii/S2214785324004681 (date accessed: 19.09.2025).

3. Kumar, A. Recent Advances in Polymer-Composite Materials for Biomedical Applications / A. Kumar, J. Jaiswal, K. Tsuchiya, G. Singh. - Text: electronic // Hybrid Composite Materials: Experimental and Theoretical Analysis / eds. A. Verma. - Singapore: Springer Nature, 2024. - P. 153-193. - URL: https://doi.org/10.1007/978-981-97-2104-7_6 (date accessed: 05.09.2025).

4. Yaragatti, N. A review on additive manufacturing of polymers composites : International Conference on Advances in Materials Processing & Manufacturing Applications / N. Yaragatti, A. Patnaik // Materials Today: Proceedings. - 2021. -Vol. 44. - P. 4150-4157.

5. Qadir, A. Optimising Mechanical Performance of Additive Manufactured Composites for Biomedical Applications / A. Qadir, A. G. Udu, N. Osa-uwagboe // Fibers. - 2025. - Vol. 13. - № 6. - P. 79.

6. López-Barroso, J. Additive Manufacturing for Complex Geometries in Polymer Composites / J. López-Barroso, C. G. Flores-Hernández, A. L. Martínez-Hernández, G. Martínez-Barrera, C. Velasco-Santos. - Text: electronic // Advanced Composites / ed. S. J. Ikhmayies. - Cham : Springer Nature Switzerland, 2024. - P. 121186. - URL: https://doi.org/10.1007/978-3-031-42731-2_5 (date accessed: 05.09.2025).

7. Regalla, S. P. Strength and fracture behaviour of polymer matrix composite layered structures made by additive manufacturing : 2nd International Conference on Recent Advances in Materials & Manufacturing Technologies / S. P. Regalla, S. S. Karwa, S. Rajesh, P. V. Shyam, P. N. Shrivastava // Materials Today: Proceedings. - 2020. - Vol. 28. - P. 1030-1038.

8. Nsengiyumva, W. Advances, limitations and prospects of nondestructive testing and evaluation of thick composites and sandwich structures: A state-of-the-art review / W. Nsengiyumva, S. Zhong, J. Lin, Q. Zhang, J. Zhong, Y. Huang // Composite Structures. - 2021. - Vol. 256. - P. 112951.

9. Lu, Q. Y. Applications of non-destructive testing techniques for post-process control of additively manufactured parts / Q. Y. Lu, C. H. Wong // Virtual and Physical Prototyping. - 2017. - Vol. 12. - № 4. - P. 301-321.

10. Российская Федерация. Композиты полимерные. Неразрушающий контроль: Polymer composites. Nondestructive testing: национальный стандарт Российской Федерации: издание официальное: введен впервые: введен 2017-01-01. Композиты полимерные. Неразрушающий контроль / Российская Федерация, Всероссийский научно-исследовательский институт авиационных материалов. -Москва : Стандартинформ, 2016. - 66 с. - URL: https://search.rsl.ru/ru/record/01008256983 (дата обращения: 07.09.2025). - Текст: электронный.

11. Ledwaba, T. Development of AI crack segmentation models for additive manufacturing / T. Ledwaba, C. Steenkamp, A. Chmielewska-Wysocka, B. Wysocki, A. Du Plessis // Tomography of Materials and Structures. - 2025. - Vol. 7. - P. 100053.

12. Славин, А. В. Определение Коэффициентов Ослабления Рентгеновского Излучения В Широком Диапазоне Энергий Полимерным Композиционным Материалом / А. В. Славин, А. А. Демидов, Е. И. Косарина, П. В. Суворов // Труды Виам. - 2022. - № 5 (111). - С. 53-63.

13. Демидов, А. А. Рентгенотомографическое исследование объемной доли пор в образцах из полимерных композиционных материалов. Сканирование и

реконструкция томографических данных / А. А. Демидов, О. А. Крупнина, Н. А. Михайлова (Саввина), Е. И. Косарина // Дефектоскопия. - 2021. - № 9. -С. 45-53.

14. Демидов, А. А. Исследование Образцов Из Полимерных Композиционных Материалов Методом Рентгеновской Компьютерной Томографии И Обработка Томограмм С Изображением Объемной Доли Пористости / А. А. Демидов, О. А. Крупнина, Н. А. Михайлова (Саввина), Е. И. Косарина // Труды Виам. - 2021. - № 5 (99). - С. 105-113.

15. Крупнина, О. А. Нетривиальные задачи радиационного контроля, решаемые методом рентгеновской компьютерной томографии / О. А. Крупнина, А. А. Демидов, Н. А. Михайлова (Саввина), Е. И. Косарина // Все Материалы. Энциклопедический Справочник. - 2023. - № 5. - С. 40-45.

16. Ларин, А. А. Применение компьютерной рентгеновской томографии для контроля структуры композитных трехстрингерных панелей крыла /

A. А. Ларин, М. Ю. Федотов, О. Н. Будадин, С. О. Козельская, В. И. Резниченко // Вопросы Оборонной Техники. Композиционные Неметаллические Материалы В Машиностроении. - 2021. - № 2 (201). - С. 33-42.

17. Бакулин, В. Н. Повышение Качества Изготовления Изделий Из Полимерных Композиционных Материалов С Использованием Компьютерной Томографии Как Метода Неразрушающего Контроля / В. Н. Бакулин, А. А. Ларин,

B. И. Резниченко // Инженерно-физический Журнал. - 2015. - Т. 88. - № 2. -

C. 534-538.

18. Ларин, А. А. Исследование возможности оценки повреждений трехслойных конструкций при ударном воздействии методом компьютерной рентгеновской томографии / А. А. Ларин, М. Ю. Федотов, О. Н. Будадин, С. О. Козельская, В. И. Резниченко // Контроль. Диагностика. - 2020. - Т. 23. -№ 10 (268). - С. 20-28.

19. Ларин, А. А. Повышение точности определения физико-механических характеристик полимерных композиционных материалов за счет применения

компьютерной рентгеновской томографии / А. А. Ларин, В. Н. Бакулин,

B. И. Резниченко. - Текст: электронный // XI Всероссийский съезд по фундаментальным проблемам теоретической и прикладной механики. - 2015. -

C. 2248-2249. - URL: https://www.elibrary.ru/item.asp?id=24824688 (дата обращения: 07.09.2025).

20. Кротова, Е. В. Применение рентгеновской компьютерной томографии для диагностики композитных конструкций в энергетике / Е. В. Кротова, О. А. Саченков, В. И. Митряйкин, Т. А. Зайцева, Р. Х. Закиров // Известия Высших Учебных Заведений. Проблемы Энергетики. - 2024. - Т. 26. - № 2. - С. 15-31.

21. Прунов, В. В. Методы автоматизации в задачах дефектоскопии по данным компьютерной томографии / В. В. Прунов, Е. В. Кротова, О. В. Герасимов, В. В. Смирнова (Яикова), В. И. Митряйкин, О. А. Саченков. - Текст : электронный // Материалы XXVIII Международного симпозиума «Динамические и технологические проблемы механики конструкций и сплошных сред» им. А.Г. Горшкова. - 2022. - С. 155-156. - URL: https://www.elibrary.ru/item.asp?id=49237573 (дата обращения: 07.09.2025).

22. Митряйкин, В. И. Контроль стрингерных панелей лопастей ветрогенераторов компьютерным томографом / В. И. Митряйкин, А. В. Тажибаева (Кузьмина), Д. М. Беззаметнова (Торопцова), Т. А. Зайцева // Вестник Казанского Государственного Технического Университета Им. А.н. Туполева. - 2022. - Т. 78. - № 3. - С. 116-120.

23. Митряйкин, В. И. Исследование плотности и пористости аддитивных материалов с применением спиральной компьютерной томографии / В. И. Митряйкин, Т. А. Зайцева // Вестник НЦБЖД. - 2020. - № 3 (45). - С. 167174.

24. Osipov, S. P. Algorithms for Modeling the Formation and Processing of Information in X-Ray Tomography of Foam Materials / S. P. Osipov, I. A. Prischepa, S. V. Chakhlov, O. S. Osipov, E. Yu. Usachev // Russian Journal of Nondestructive Testing. - 2021. - Vol. 57. - № 3. - P. 238-250.

25. Osipov, S. P. Simulation Modeling in Digital Radiography with Allowance for Spatial Outlines of Test Objects / S. P. Osipov, I. G. Yadrenkin, S. V. Chakhlov, O. S. Osipov, E. Yu. Usachev // Russian Journal of Nondestructive Testing. - 2020. -Vol. 56. - № 8. - P. 647-660.

26. Osipov, S. P. Calculation Model of X-Ray Computed Tomography with Density Assessment Function / S. P. Osipov, I. G. Yadrenkin, S. V. Chakhlov, O. S. Osipov, E. Yu. Usachev, A. A. Manushkin // Russian Journal of Nondestructive Testing. - 2021. - Vol. 57. - № 3. - P. 222-237.

27. Алешин, Н. П. Некоторые особенности исследований деталей, изготовленных по аддитивным технологиям, методом рентгеновской компьютерной томографии / Н. П. Алешин, М. В. Григорьев, О. А. Крупнина, Н. А. Щипаков // Дефектоскопия. - 2018. - № 4. - С. 42-48.

28. Крупнина, О. А. Неразрушающий контроль и исследование материалов методом рентгеновской компьютерной томографии / О. А. Крупнина, А. С. Генералов, А. А. Демидов. - Текст : электронный. - Всероссийский научно-исследовательский институт авиационных материалов Национального исследовательского центра «Курчатовский институт», 2021. - С. 87-103. - URL: https://www.eHbrary.ru/item.asp?id=44845749 (дата обращения: 07.09.2025).

29. Демидов, А. А. Система рентгеновской компьютерной томографии как средство измерений / А. А. Демидов, О. А. Крупнина. - Текст: электронный. -Всероссийский научно-исследовательский институт авиационных материалов Национального исследовательского центра «Курчатовский институт», 2019. -С. 47-56. - URL: https://www.elibrary.ru/item.asp?id=40882460 (дата обращения: 07.09.2025).

30. Харин, Н. В. Методика построения репрезентативной модели по данным компьютерной томографии / Н. В. Харин, О. В. Воробьев, Д. В. Бережной, О. А. Саченков // Вестник Пермского Национального Исследовательского Политехнического Университета. Механика. - 2018. - № 3. - С. 95-102.

31. Акифьев, К. Н. Методика исследования пористости образцов с жидкостью рентгеновским компьютерным томографом при одноосном сжатии / К. Н. Акифьев, Е. О. Стаценко, В. В. Смирнова (Яикова), Н. В. Харин, П. В. Большаков, О. А. Саченков // Вестник Пермского Национального Исследовательского Политехнического Университета. Механика. - 2023. - № 2. -С. 11-21.

32. Герасимов, О. В. Метод определения упругих свойств элемента негомогенной среды на основе данных компьютерной томографии / О. В. Герасимов, Е. В. Семенова, Л. Р. Шакирова (Салеева), Т. В. Балтина (Бабынина), Д. В. Бережной, О. А. Саченков // Российский Журнал Биомеханики. -2024. - Т. 28. - № 3. - С. 47-59.

33. Бехметьев, В. И. Исследование изменения структуры полимерных композиционных материалов при ударном воздействии методом рентгеновской вычислительной томографии / В. И. Бехметьев // Наука Без Границ. - 2017. -№ 5 (10). - С. 154-161.

34. Бехметьев, В. И. Исследование влияния удара на структуру полимерных композиционных материалов методом рентгеновской вычислительной томографии / В. И. Бехметьев, Н. И. Фокин // Качество И Жизнь. - 2021. - № 4 (32). - С. 82-87.

35. Бойцов, Б. В. Исследование накопления дефектов в конструкциях из полимерных композиционных материалов при их статическом нагружении методом рентгеновской вычислительной томографии / Б. В. Бойцов,

B. И. Бехметьев, Д. С. Семенченко // Качество И Жизнь. - 2024. - № 1-2 (41-42). -

C. 100-114.

36. Кротова, Е. В. Неразрушающий контроль образцов многослойных композиционных конструкций с различными дефектами / Е. В. Кротова, Т. А. Зайцева, К. К. Дао, О. А. Саченков // Вестник Казанского Государственного Технического Университета Им. А.н. Туполева. - 2023. - Т. 79. - № 4. - С. 114-119.

37. Митряйкина, Е. В. Внедрение спиральной компьютерной томографии для определения механических характеристик материала путём исследования его внутренней структуры / Е. В. Митряйкина, Т. А. Зайцева // Научно-Технический Вестник Поволжья. - 2012. - № 6. - С. 311-314.

38. Митряйкин, В. И. Усовершенствование метода спиральной компьютерной томографии для инденфикации механических характеристик композитных и биологических материалов при расчете системы «Имплант-кость» / В. И. Митряйкин, Т. А. Зайцева // Тенденции Развития Науки И Образования. -2016. - № 18-1. - С. 32-36.

39. Haralick, R. M. Image Analysis Using Mathematical Morphology / R. M. Haralick, S. R. Sternberg, X. Zhuang // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1987. - Vol. PAMI-9. - № 4. - P. 532-550.

40. Haralick, R. M. Statistical and structural approaches to texture / R. M. Haralick // Proceedings of the IEEE. - 1979. - Vol. 67. - № 5. - P. 786-804.

41. Haralick, R. M. Image segmentation techniques / R. M. Haralick, L. G. Shapiro // Computer Vision, Graphics, and Image Processing. - 1985. - Vol. 29. -№ 1. - P. 100-132.

42. Garcea, S. C. Mapping fibre failure in situ in carbon fibre reinforced polymers by fast synchrotron X-ray computed tomography / S. C. Garcea, I. Sinclair, S. M. Spearing, P. J. Withers // Composites Science and Technology. - 2017. - Vol. 149.

- P. 81-89.

43. Sisodia, S. M. High-resolution computed tomography in resin infused woven carbon fibre composites with voids / S. M. Sisodia, S. C. Garcea, A. R. George, D. T. Fullwood, S. M. Spearing, E. K. Gamstedt // Composites Science and Technology.

- 2016. - Vol. 131. - P. 12-21.

44. Bergan, A. C. Quantification of damage evolution in cross-ply polymer composites under longitudinal compression by fast computed tomography and semi-automated segmentation / A. C. Bergan, S. C. Garcea, P. J. Withers // Composites Science and Technology. - 2023. - Vol. 241. - P. 110128.

45. Tudisco, E. An extension of digital volume correlation for multimodality image registration / E. Tudisco, C. Jailin, A. Mendoza, A. Tengattini, E. Ando, S. A. Hall, G. Viggiani, F. Hild, S. Roux // Measurement Science and Technology. -2017. - Vol. 28. - № 9. - P. 095401.

46. Buljac, A. Digital Volume Correlation: Review of Progress and Challenges / A. Buljac, C. Jailin, A. Mendoza, J. Neggers, T. Taillandier-Thomas, A. Bouterf, B. Smaniotto, F. Hild, S. Roux // Experimental Mechanics. - 2018. - Vol. 58. - Digital Volume Correlation. - № 5. - P. 661-708.

47. Auenhammer, R. M. Robust numerical analysis of fibrous composites from X-ray computed tomography image data enabling low resolutions / R. M. Auenhammer, N. Jeppesen, L. P. Mikkelsen, V. A. Dahl, B. J. Blinzler, L. E. Asp // Composites Science and Technology. - 2022. - Vol. 224. - P. 109458.

48. Auenhammer, R. M. Fibre orientation distribution function mapping for short fibre polymer composite components from low resolution/large volume X-ray computed tomography / R. M. Auenhammer, A. Prajapati, K. Kalasho, L. P. Mikkelsen, P. J. Withers, L. E. Asp, R. Gutkin // Composites Part B: Engineering. - 2024. - Vol. 275. - P. 111313.

49. Auenhammer, R. M. X-ray tomography based numerical analysis of stress concentrations in non-crimp fabric reinforced composites - assessment of segmentation methods / R. M. Auenhammer, L. P. Mikkelsen, L. E. Asp, B. J. Blinzler // IOP Conference Series: Materials Science and Engineering. - 2020. - Vol. 942. - № 1. -P. 012038.

50. Croom, B. Unveiling 3D Deformations in Polymer Composites by Coupled Micro X-Ray Computed Tomography and Volumetric Digital Image Correlation / B. Croom, W.-M. Wang, J. Li, X. Li // Experimental Mechanics. - 2016. - Vol. 56. -№ 6. - P. 999-1016.

51. Croom, B. P. Interlaboratory Study of Digital Volume Correlation Error Due to X-Ray Computed Tomography Equipment and Scan Parameters: an Update from the DVC Challenge / B. P. Croom, D. Burden, H. Jin, N. H. Vonk, J. P. M. Hoefnagels,

B. Smaniotto, F. Hild, E. Quintana, Q. Sun, X. Nie, X. Li // Experimental Mechanics. -2021. - Vol. 61. - № 2. - P. 395-410.

52. Croom, B. P. Damage mechanisms in elastomeric foam composites: Multiscale X-ray computed tomography and finite element analyses / B. P. Croom, H. Jin, B. Mills, J. Carroll, K. Long, J. Brown, X. Li // Composites Science and Technology. - 2019. - Vol. 169. - Damage mechanisms in elastomeric foam composites. - P. 195-202.

53. Sinchuk, Y. Geometrical and deep learning approaches for instance segmentation of CFRP fiber bundles in textile composites / Y. Sinchuk, P. Kibleur, J. Aelterman, M. N. Boone, W. V. Paepegem // Composite Structures. - 2021. -Vol. 277. - P. 114626.

54. Sinchuk, Y. X-ray CT based multi-layer unit cell modeling of carbon fiber-reinforced textile composites: Segmentation, meshing and elastic property homogenization / Y. Sinchuk, O. Shishkina, M. Gueguen, L. Signor, C. Nadot-Martin, H. Trumel, W. Van Paepegem // Composite Structures. - 2022. - Vol. 298. - P. 116003.

55. Sinchuk, Y. Computed-tomography based modeling and simulation of moisture diffusion and induced swelling in textile composite materials : Multiscale Modelling of Fibrous and Textile Materials / Y. Sinchuk, Y. Pannier, M. Gueguen, D. Tandiang, M. Gigliotti // International Journal of Solids and Structures. - 2018. -Vol. 154. - P. 88-96.

56. Mehdikhani, M. Detailed characterization of voids in multidirectional carbon fiber/epoxy composite laminates using X-ray micro-computed tomography / M. Mehdikhani, I. Straumit, L. Gorbatikh, S. V. Lomov // Composites Part A: Applied Science and Manufacturing. - 2019. - Vol. 125. - P. 105532.

57. Barburski, M. Micro-CT analysis of internal structure of sheared textile composite reinforcement / M. Barburski, I. Straumit, X. Zhang, M. Wevers, S. V. Lomov // Composites Part A: Applied Science and Manufacturing. - 2015. - Vol. 73. - P. 45-54.

58. Wan, Y. Micro-CT analysis of internal geometry of chopped carbon fiber tapes reinforced thermoplastics / Y. Wan, I. Straumit, J. Takahashi, S. V. Lomov // Composites Part A: Applied Science and Manufacturing. - 2016. - Vol. 91. - P. 211-221.

59. Maertens, R. Study of material homogeneity in the long fiber thermoset injection molding process by image texture analysis / R. Maertens, L. Schottl, W. V. Liebig, P. Elsner, K. A. Weidenmann // Advanced Manufacturing: Polymer & Composites Science. - 2022. - Vol. 8. - № 1. - P. 22-32.

60. Badran, A. Automated segmentation of computed tomography images of fiber-reinforced composites by deep learning / A. Badran, D. Marshall, Z. Legault, R. Makovetsky, B. Provencher, N. Piché, M. Marsh // Journal of Materials Science. -2020. - Vol. 55. - № 34. - P. 16273-16289.

61. Wong, V. W. H. Segmentation of Additive Manufacturing Defects Using U-Net / V. W. H. Wong, M. Ferguson, K. H. Law, Y.-T. T. Lee, P. Witherell. - Text: electronic // Journal of Computing and Information Science in Engineering. - 2021. -Vol. 22. - № 031005. - URL: https://doi.org/10.1115/1.4053078 (date accessed: 08.09.2025).

62. Xu, Y. Automated Industrial Composite Fiber Orientation Inspection Using Attention-Based Normalized Deep Hough Network / Y. Xu, Y. Zhang, W. Liang // Micromachines. - 2023. - Vol. 14. - № 4. - P. 879.

63. Straumit, I. Analysis and Segmentation of a Three-Dimensional X-ray Computed Tomography Image of a Textile Composite / I. Straumit, S. V. Lomov, M. Wevers // Computational Modeling of Objects Presented in Images. Fundamentals, Methods, and Applications / eds. Y. J. Zhang, J. M. R. S. Tavares. - Cham : Springer International Publishing, 2014. - P. 133-142.

64. Ширшин, А. В. Сравнение алгоритмов кластерной сегментации данных рентгеновской компьютерной томографии полимерных композиционных материалов / А. В. Ширшин, А. В. Федоров // Автоматизация И Измерения В Машино- Приборостроении. - 2024. - № 4 (28). - С. 103-112.

65. Федоров, А. В. Сравнение алгоритмов классификации полимерных композиционных материалов на основе текстурного анализа данных рентгеновской компьютерной томографии / А. В. Федоров, А. В. Ширшин // Информационные Системы И Технологии. - 2024. - № 5 (145). - С. 35-43.

66. Lysenko, A. V. Application of radiomics in the differential diagnosis in ameloblastomas and dentigerous cysts. Part 2 / A. V. Lysenko, A. I. Yaremenko, A. A. Zubareva, A. V. Shirshin, A. I. Lyubimov, E. A. Ivanova // Cellular Therapy and Transplantation. - 2022. - Vol. 11. - № 3-4. - P. 93-98.

67. Маркин, И. В. Медицинский симулятор для подготовки рентген-лаборантов: экспериментальная работа / И. В. Маркин, К. С. Александров, Н. В. Варламова, П. К. Потапов, Е. А. Журбин, А. Н. Матыцин, А. В. Ширшин, Е. С. Щелканова // Вестник Травматологии И Ортопедии им. Н.Н. Приорова. -2023. - Т. 30. - Медицинский симулятор для подготовки рентген-лаборантов. -№ 3. - С. 335-346.

68. Shirshin, A. V. Application of Texture Filtering in Clustering of X-ray Computed Tomography Data of Products Made from Polymer Composite Materials / A. V. Shirshin, A. V. Fedorov, I. S. Zheleznyak, S. A. Peleshok // Russian Journal of Nondestructive Testing. - 2025. - Vol. 61. - № 5. - P. 591-595.

69. Ширшин, А. В. Применение Методов Цифровой Обработки Для Автоматизированной Сегментации Сердца По Данным Компьютерной Томографии / А. В. Ширшин, И. В. Бойков, В. Н. Малаховский, Т. Е. Рамешвили, С. В. Кушнарев // Известия Российской Военно-Медицинской Академии. - 2022. -Т. 41. - № 1. - С. 49-54.

70. Ширшин, А. В. Оценка радиомических характеристик, полученных методом рентгеновской компьютерной томографии для полимерных образцов с регулируемыми структурно-морфологическими параметрами / А. В. Ширшин, А. В. Федоров. - Текст : электронный // Семнадцатая Международная научно-техническая конференция «Оптические методы исследования потоков». - 2023. -

С. 535-544. - URL: https://www.elibrary.ru/item.asp?id=54941633 (дата обращения: 09.08.2025).

71. Ширшин, А. В. Оценка геометрических отклонений, возникающих при воспроизведении трёхмерных моделей средствами аддитивного производства, по данным компьютерной томографии / А. В. Ширшин, И. С. Железняк, В. Н. Малаховский, С. В. Кушнарев, Н. С. Горина // Digital Diagnostics. - 2021. -Т. 2. - № 3. - С. 277-288.

72. Rosenfeld, A. Image analysis and computer vision: 1988 / A. Rosenfeld // Computer Vision, Graphics, and Image Processing. - 1989. - Vol. 46. - Image analysis and computer vision. - № 2. - P. 196-250.

73. Heyden, F. van der. Evaluation of edge detection algorithms / F. van der Heyden. - Text: electronic // Third International Conference on Image Processing and its Applications, 1989. Third International Conference on Image Processing and its Applications, 1989. - 1989. - P. 618-622. - URL: https://ieeexplore.ieee.org/abstract/document/132203 (date accessed: 07.09.2025).

74. Bhandarkar, S. M. Integrating edge and surface information for range image segmentation / S. M. Bhandarkar, A. Siebert // Pattern Recognition. - 1992. - Vol. 25. -№ 9. - P. 947-962.

75. Serra, J. Image Analysis and Mathematical Morphology. Vol. 1 / J. Serra. -Academic Press, 1984. - 610 p.

76. Rashidi, A. A Review of Current Challenges and Case Study toward Optimizing Micro-Computed X-Ray Tomography of Carbon Fabric Composites / A. Rashidi, T. Olfatbakhsh, B. Crawford, A. S. Milani // Materials. - 2020. - Vol. 13. -№ 16. - P. 3606.

77. Yang, Y. A novel lung radiomics feature for characterizing resting heart rate and COPD stage evolution based on radiomics feature combination strategy / Y. Yang, W. Li, Y. Kang, Y. Guo, K. Yang, Q. Li, Y. Liu, C. Yang, R. Chen, H. Chen, X. Li, L. Cheng // Mathematical Biosciences and Engineering. - 2022. - Vol. 19. - P. 41454165.

78. Li, W. Gabor-Filtering-Based Nearest Regularized Subspace for Hyperspectral Image Classification / W. Li, Q. Du // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. - 2014. - Vol. 7. - № 4. - P. 10121022.

79. Fogel, I. Gabor filters as texture discriminator / I. Fogel, D. Sagi // Biological Cybernetics. - 1989. - Vol. 61. - № 2. - P. 103-113.

80. Zheng, J. Traditional soil particle sphericity, roundness and surface roughness by computational geometry / J. Zheng, R. D. Hryciw // Géotechnique. - 2015.

- Vol. 65. - № 6. - P. 494-506.

81. Haralick, R. Textural Features for Image Classification / R. Haralick, K. Shanmugam, I. Dinstein // IEEE Trans Syst Man Cybern. - 1973. - T. SMC-3. -C. 610-621.

82. Galloway, M. M. Texture analysis using gray level run lengths / M. M. Galloway // Computer Graphics and Image Processing. - 1975. - Vol. 4. - № 2. -P. 172-179.

83. Sun, C. Neighboring gray level dependence matrix for texture classification / C. Sun, W. G. Wee // Computer Vision, Graphics, and Image Processing. - 1983. -Vol. 23. - № 3. - P. 341-352.

84. Thibault, G. Texture Indexes and Gray Level Size Zone Matrix Application to Cell Nuclei Classification / G. Thibault, B. FERTIL, C. Navarro, S. Pereira, N. Lévy, J. Sequeira, J.-L. Mari // 10th International Conference on Pattern Recognition and Information Processing. - 2009. - P. 140-145.

85. Amadasun, M. Textural features corresponding to textural properties / M. Amadasun, R. King // IEEE Transactions on Systems, Man, and Cybernetics. - 1989.

- T. 19. - № 5. - C. 1264-1274.

86. Wang, Z. Image segmentation evaluation: a survey of methods / Z. Wang, E. Wang, Y. Zhu // Artificial Intelligence Review. - 2020. - Vol. 53. - Image segmentation evaluation. - № 8. - P. 5637-5674.

87. Кербер, М. Л. Полимерные композиционные материалы: структура, свойства, технологии / М. Л. Кербер, В. М. Виноградов, Г. С. Головкин, [и др.]; ред. А. А. Берлин. - СПб : Профессия, 2008. - 560 с.

88. ГОСТ 32794-2014 Композиты полимерные. Термины и определения (с Поправкой) - docs.cntd.ru. - URL: https://docs.cntd.ru/document/1200113813?ysclid=me5pp63w8f420225340 (дата обращения: 10.08.2025). - Текст : электронный.

89. Бейдер, Э. Я. Термопластичные связующие для полимерных композиционных материалов / Э. Я. Бейдер, Г. Н. Петрова // Труды ВИАМ. - 2015. - Т. 0. - № 11. - С. 40-49.

90. Буланов, И. М. Технология ракетных и аэрокосмических конструкций из композитных материалов / И. М. Буланов, В. В. Воробей. - Москва : МГТУ им. Баумана, 1998. - 516 с.

91. Батаев, А. А. Композиционные материалы: строение, получение, применение. Композиционные материалы / А. А. Батаев, В. А. Батаев. - НГТУ. -Новосибирск, 2002. - 377 с.

92. Тимошков, П. Н. Композиционные материалы в автомобильной промышленности (обзор) / П. Н. Тимошков, А. В. Хрульков, Л. Н. Язвенко // Труды ВИАМ. - 2017. - № 6 (54). - С. 59-66.

93. Курносов, А. О. Стеклопластики конструкционного назначения для авиастроения / А. О. Курносов, Д. А. Мельников, И. И. Соколов // Труды ВИАМ. -2015. - № 8. - С. 55-59.

94. Негров, Д. А. Технология изготовления деталей узлов трения из полимерных композиционных материалов / Д. А. Негров, В. Ю. Путинцев, О. А. Передельская, А. В. Наумова // Вестник Южно-Уральского государственного университета. Серия: Машиностроение. - 2015. - Т. 15. - № 2. - С. 13-19.

95. Власенко, Ф. С. Применение полимерных композиционных материалов в строительных конструкциях / Ф. С. Власенко, А. Е. Раскутин // Труды ВИАМ. - 2013. - № 8. - С. 3.

96. Даутова, А. Н. Разработка технологии получения полимерных композитов для изготовления медицинских инструментов / А. Н. Даутова, В. В. Янов, Е. М. Штейнберг, Л. А. Зенитова // Вестник Казанского технологического университета. - 2013. - Т. 16. - № 17. - С. 124-126.

97. Гаврилова, О. Е. Свойства комплексных материалов из полимерных композитов для изготовления изделий в легкой промышленности / О. Е. Гаврилова // Вестник Казанского технологического университета. - 2011. - № 22. - С. 53-55.

98. Яблочников, Е. И. Применение систем виртуального моделирования при выборе и проектировании полимерных композиционных материалов / Е. И. Яблочников, В. А. Брагинский, А. С. Восоркин // Известия высших учебных заведений. Приборостроение. - 2012. - Т. 55. - № 7. - С. 75-80.

99. Мурашов, В. В. Оценка степени накопления микроповреждений структуры ПКМ в деталях и конструкциях неразрушающими методами / В. В. Мурашов // Авиационные материалы и технологии. - 2016. - №2 3 (42). - С. 7381.

100. Матвеева, Л. Ю. Взаимосвязь надмолекулярной структуры и свойств полимерных композиционных материалов на основе термореактивных связующих / Л. Ю. Матвеева, А. В. Ястребинская // Вестник Белгородского государственного технологического университета им. В. Г. Шухова. - 2017. - № 12. - С. 49-54.

101. Garcea, S. C. X-ray computed tomography of polymer composites / S. C. Garcea, Y. Wang, P. Withers // Composites Science and Technology. - 2017. -Vol. 156. - P. 305-319.

102. Hsieh, J. Computed Tomography: Principles, Design, Artifacts, and Recent

Advances. Computed Tomography / J. Hsieh Google-Books-ID: JX_lLLXFHkC. -

SPIE Press, 2003. - 406 p.

103. Fang, K. The Radon Transformation and Its Application in Tomography / K. Fang // Journal of Physics: Conference Series. - 2021. - Vol. 1903. - № 1. -P. 012066.

104. Withers, P. J. X-ray computed tomography / P. J. Withers, C. Bouman, S. Carmignato, V. Cnudde, D. Grimaldi, C. K. Hagen, E. Maire, M. Manley, A. Du Plessis, S. R. Stock // Nature Reviews Methods Primers. - 2021. - Vol. 1. - №№ 1. - P. 18.

105. Kastner, J. X-ray Computed Tomography for Non-destructive Testing and Materials Characterization / J. Kastner, C. Heinzl. - Text: electronic // Integrated Imaging and Vision Techniques for Industrial Inspection: Advances and Applications / eds. Z. Liu [et al.]. - London : Springer, 2015. - P. 227-250. - URL: https://doi.org/10.1007/978-1-4471-6741-9_8 (date accessed: 07.09.2025).

106. Iassonov, P. Segmentation of X-ray computed tomography images of porous materials: A crucial step for characterization and quantitative analysis of pore structures / P. Iassonov, T. Gebrenegus, M. Tuller // Water Resources Research. - 2009. - Vol. 45.

- Segmentation of X-ray computed tomography images of porous materials. - № 9. -P. 2009WR008087.

107. Carvalho, L. E. 3D Segmentation Algorithms for Computerized Tomographic Imaging: a Systematic Literature Review / L. E. Carvalho, A. C. Sobieranski, A. von Wangenheim // Journal of Digital Imaging. - 2018. - Vol. 31.

- № 6. - P. 799-850.

108. Wirjadi, O. Survey of 3D image segmentation methods / O. Wirjadi. -Fraunhofer ITWM, 2007. - No. 123.

109. Gonzalez, R. C. Digital Image Processing / R. C. Gonzalez, R. E. Woods Google-Books-ID: 0F05vgAACAAJ. - Pearson, 2018. - 1168 p.

110. Sosa-Rey, F. OpenFiberSeg: Open-source segmentation of individual fibers and porosity in tomographic scans of additively manufactured short fiber reinforced composites / F. Sosa-Rey, Y. Abderrafai, A. Diouf Lewis, D. Therriault, N. Piccirelli, M. Levesque // Composites Science and Technology. - 2022. - Vol. 226. -OpenFiberSeg. - P. 109497.

111. Iliopoulos, A. P. Automating Structural Modeling of Composites Enriched by X-Ray Micro-Tomography and Digital Imaging Data / A. P. Iliopoulos, J. G. Michopoulos, J. C. Steuben, A. J. Birnbaum, J. Lua, A. Karuppiah, W. Seneviratne,

C. Saathoff. - Text: electronic // ASME 2018 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. -American Society of Mechanical Engineers Digital Collection, 2018. - URL: https://dx.doi.org/10.1115/DETC2018-86062 (date accessed: 08.09.2025).

112. Kumar, A. Application of 3D printing technology for medical implants: a state-of-the-art review / A. Kumar, D. Kumar, N. Faisal, A. Sharma, A. Kumar Ansu, A. Goyal, K. K. Saxena, C. Prakash, D. Kumar // Advances in Materials and Processing Technologies. - 2024. - Vol. 10. - № 2. - P. 357-372.

113. Yuan, S. Polymeric composites for powder-based additive manufacturing: Materials and applications / S. Yuan, F. Shen, C. K. Chua, K. Zhou // Progress in Polymer Science. - 2019. - Vol. 91. - Polymeric composites for powder-based additive manufacturing. - P. 141-168.

114. Biswal, T. Synthesis of polymer composite materials and their biomedical applications : National Conference on "Trends in Minerals & Materials Technology" / T. Biswal, S. K. BadJena, D. Pradhan // Materials Today: Proceedings. - 2020. - Vol. 30. - P. 305-315.

115. Pidou-Brion, V. Active yarn meshes for segmentation on X-ray computed tomography of textile composite materials at the mesoscopic scale / V. Pidou-Brion, Y. Le Guilloux // Composite Structures. - 2022. - Vol. 281. - P. 115084.

116. Gillies, R. J. Radiomics: Images Are More than Pictures, They Are Data / R. J. Gillies, P. E. Kinahan, H. Hricak // Radiology. - 2016. - Vol. 278. - Radiomics. -№ 2. - P. 563-577.

117. Malik, J. Contour and Texture Analysis for Image Segmentation / J. Malik, S. Belongie, T. Leung, J. Shi // International Journal of Computer Vision. - 2001. -Vol. 43. - P. 7-27.

118. Kinge, S. Markov Random Field Based Color Texture Segmentation / S. Kinge, S. Rani, M. Sutaone // International Journal of Recent Technology and Engineering. - 2020. - Vol. 8. - P. 1055-1060.

119. Abuhussein, M. Obscurant Segmentation in Long Wave Infrared Images Using GLCM Textures / M. Abuhussein, A. Robinson // Journal of Imaging. - 2022. -Vol. 8. - P. 266.

120. Tesar, L. Medical image analysis of 3D CT images based on extension of Haralick texture features / L. Tesar, A. Shimizu, D. Smutek, H. Kobatake, S. Nawano // Computerized Medical Imaging and Graphics: The Official Journal of the Computerized Medical Imaging Society. - 2008. - Vol. 32. - № 6. - P. 513-520.

121. Fedorov, A. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network / A. Fedorov, R. Beichel, J. Kalpathy-Cramer, J. Finet, J.-C. Fillion-Robin, S. Pujol, C. Bauer, D. Jennings, F. Fennessy, M. Sonka, J. Buatti, S. Aylward, J. V. Miller, S. Pieper, R. Kikinis // Magnetic resonance imaging. - 2012. - Vol. 30. -№ 9. - P. 1323-1341.

122. Varghese, B. Identification of robust and reproducible CT-texture metrics using a customized 3D-printed texture phantom / B. Varghese, D. Hwang, Steven, S. Cen, X. Lei, J. Levy, B. Desai, David, D. Goodenough, V. Duddalwar // Journal of Applied Clinical Medical Physics. - 2021. - Vol. 22.

123. Shirshin, A. V. Evaluation of geometric deviations in rapid prototyped three-dimensional models created from computed tomography data / A. V. Shirshin, I. S. Zheleznyak, V. N. Malakhovsky, S. V. Kushnarev, N. S. Gorina // Digital Diagnostics. - 2021. - Vol. 2. - № 3. - P. 277-288.

124. Limkin, E. J. The complexity of tumor shape, spiculatedness, correlates with tumor radiomic shape features / E. J. Limkin, S. Reuzé, A. Carré, R. Sun, A. Schernberg, A. Alexis, E. Deutsch, C. Ferté, C. Robert // Scientific Reports. - 2019. - Vol. 9. - № 1. - P. 4329.

125. Raisi, Z. Repeatability of Cardiac Magnetic Resonance Radiomics: A Multi-Centre Multi-Vendor Test-Retest Study / Z. Raisi, P. Gkontra, A. Jaggi, J. Cooper, J. Augusto, A. Bhuva, R. Davies, C. Manisty, J. Moon, P. Munroe, N. Harvey, K. Lekadir, S. Petersen // Frontiers in Cardiovascular Medicine. - 2020. - Repeatability of Cardiac Magnetic Resonance Radiomics. - P. 586236.

126. Yu, Q. Application of Radiomics Model of CT Images in the Identification of Ureteral Calculus and Phlebolith / Q. Yu, J. Liu, H. Lin, P. Lei, B. Fan // International Journal of Clinical Practice. - 2022. - Vol. 2022. - P. 1-8.

127. Griethuysen, J. J. M. van. Computational Radiomics System to Decode the Radiographic Phenotype / J. J. M. van Griethuysen, A. Fedorov, C. Parmar, A. Hosny, N. Aucoin, V. Narayan, R. G. H. Beets-Tan, J.-C. Fillion-Robin, S. Pieper, H. J. W. L. Aerts // Cancer Research. - 2017. - Vol. 77. - № 21. - P. e104-e107.

128. Yang, L. An improved Prewitt algorithm for edge detection based on noised image / L. Yang, X. Wu, D. Zhao, H. Li, J. Zhai. - Text: electronic // 2011 4th International Congress on Image and Signal Processing 2011 4th International Congress on Image and Signal Processing. - 2011. - Vol. 3. - P. 1197-1200. - URL: https://ieeexplore.ieee.org/abstract/document/6100495 (date accessed: 09.09.2025).

129. Ranjan, R. Edge Detection Using Guided Sobel Image Filtering / R. Ranjan, V. Avasthi // Wireless Personal Communications. - 2023. - Vol. 132. - № 1. - P. 651677.

130. Emrani, Z. A New Parallel Approach for Accelerating the GPU-Based Execution of Edge Detection Algorithms / Z. Emrani, S. Bateni, H. Rabbani // Journal of Medical Signals & Sensors. - 2017. - Vol. 7. - № 1. - P. 33.

131. Leung, T. Representing and Recognizing the Visual Appearance of Materials using Three-dimensional Textons / T. Leung, J. Malik // International Journal of Computer Vision. - 2001. - Vol. 43. - № 1. - P. 29-44.

132. Ширшин, А. В. Программное обеспечение обработки данных рентгеновской компьютерной томографии для контроля структуры изделий из полимерных композиционных материалов / А. В. Ширшин, В. В. Коняшов, Р. А. Егоров Свидетельство о регистрации № 2025669748. - ООО «НК-Софт», 2025.

133. Mendoza, A. Descriptive Modeling of Textiles using FE Simulations and Deep Learning / A. Mendoza, R. Trullo, Y. Wielhorski. - 2021. - Vol. 213.

134. Sinchuk, Y. Variational and Deep Learning Segmentation of Very-Low-Contrast X-ray Computed Tomography Images of Carbon/Epoxy Woven Composites / Y. Sinchuk, P. Kibleur, J. Aelterman, M. Boone, W. Van Paepegem // Materials. - 2020. - Vol. 13. - P. 936.

135. Auenhammer, R. Automated X-ray computer tomography segmentation method for finite element analysis of non-crimp fabric reinforced composites / R. Auenhammer, L. Mikkelsen, L. Asp, B. Blinzler // Composite Structures. - 2020. -Vol. 256. - P. 113136.

136. Holdstein, Y. Geometric modeling and analysis of bone micro-structures as a base for scaffold design / Y. Holdstein, L. Podshivalov, A. Fischer. - Text: electronic // Advances on Modeling in Tissue Engineering / eds. P. R. Fernandes, P. J. Bártolo. -Dordrecht : Springer Netherlands, 2011. - P. 91-109. - URL: https://doi.org/10.1007/978-94-007-1254-6_6 (date accessed: 09.09.2025).

137. Metzner, F. Biomechanical validation of additively manufactured artificial femoral bones / F. Metzner, C. Neupetsch, A. Carabello, M. Pietsch, T. Wendler, W.-G. Drossel // BMC Biomedical Engineering. - 2022. - Vol. 4. - № 1. - P. 6.

138. Naouar, N. 3D composite reinforcement meso F.E. analyses based on X-ray computed tomography / N. Naouar, E. Vidal-Sallé, J. Schneider, E. Maire, P. Boisse // Composite Structures. - 2015. - Vol. 132. - P. 1094-1104.

139. Dawwd, S. GLCM based Parallel Texture Segmentation using a Multicore Processor / S. Dawwd // The International Arab Journal of Information Technology. -2019. - Vol. 16. - № 1. - P. 8-16.

140. Sukemi. Identification using the K-Means Clustering and Gray Level Co-occurance Matrix (GLCM) At Maturity Fruit Oil Head / Sukemi, E. Sukrisno. - Text: electronic // 2019 Fourth International Conference on Informatics and Computing (ICIC) 2019 Fourth International Conference on Informatics and Computing (ICIC). -Semarang, Indonesia : IEEE, 2019. - P. 1-4. - URL: https://ieeexplore.ieee.org/document/8985681/ (date accessed: 18.08.2025).

141. Anand, R. GLCM Feature-Based Texture Image Classification Using Machine Learning Algorithms / R. Anand, T. Shanthi, R. S. Sabeenian, S. Veni. - Text: electronic // Smart Computer Vision : EAI/Springer Innovations in Communication and Computing / eds. B. V. Kumar [et al.]. - Cham : Springer International Publishing, 2023. - P. 103-125. - URL: https://doi.org/10.1007/978-3-031-20541-5_5 (date accessed: 18.08.2025).

142. Zack, G. W. Automatic measurement of sister chromatid exchange frequency. / G. W. Zack, W. E. Rogers, S. A. Latt // Journal of Histochemistry & Cytochemistry. - 1977. - Vol. 25. - № 7. - P. 741-753.

143. Wold, S. Principal component analysis : Proceedings of the Multivariate Statistical Workshop for Geologists and Geochemists / S. Wold, K. Esbensen, P. Geladi // Chemometrics and Intelligent Laboratory Systems. - 1987. - Vol. 2. - № 1. - P. 37-52.

144. Sarker, I. H. Machine Learning: Algorithms, Real-World Applications and Research Directions / I. H. Sarker // SN Computer Science. - 2021. - Vol. 2. - Machine Learning. - № 3. - P. 160.

145. Biau, G. Neural Random Forests / G. Biau, E. Scornet, J. Welbl // Sankhya A. - 2016. - Vol. 81. - № 2.

146. Singh, A. Impact of Different Data Types on Classifier Performance of Random Forest, Naive Bayes, and K-Nearest Neighbors Algorithms / A. Singh, M. Halgamuge, R. Lakshmiganthan // International Journal of Advanced Computer Science and Applications. - 2017. - Vol. 8. - № 12.

147. Yang, A. Application of SVM and its Improved Model in Image Segmentation / A. Yang, Y. Bai, H. Liu, K. Jin, T. Xue, W. Ma // Mobile Networks and Applications. - 2022. - Vol. 27. - № 3. - P. 851-861.

148. Xu Haixiang. Performance evaluation of SVM in image segmentation / Xu Haixiang, Cao Wanhua, Chen Wei, Guo Liyuan. - Text: electronic // 2008 9th International Conference on Signal Processing 2008 9th International Conference on Signal Processing (ICSP 2008). - Beijing, China : IEEE, 2008. - P. 1207-1210. - URL: http://ieeexplore.ieee.org/document/4697347/ (date accessed: 18.08.2025).

149. Caruana, R. Meta Clustering / R. Caruana, M. Elhawary, N. Nguyen, C. Smith // Proc. ICDM Sixth International Conference on Data Mining. - 2006. - P. 107118.

150. Distante, A. Handbook of Image Processing and Computer Vision: Volume 2: From Image to Pattern. Vol. 1 / A. Distante, C. Distante. - Springer Nature, 2020. -491 p.

151. Taneja, A. A performance study of image segmentation techniques / A. Taneja, P. Ranjan, A. Ujjlayan. - Text: electronic // 2015 4th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO) (Trends and Future Directions). - Noida, India : IEEE, 2015. - P. 1-6. - URL: http://ieeexplore.ieee.org/document/7359305/ (date accessed: 18.08.2025).

152. Chauhan, S. Processing of rock core microtomography images: Using seven different machine learning algorithms / S. Chauhan, W. Ruhaak, F. Khan, F. Enzmann, P. Mielke, M. Kersten, I. Sass // Computers & Geosciences. - 2016. - Vol. 86. - P. 120128.

153. Schick, A. Measuring and evaluating the compactness of superpixels / A. Schick, M. Fischer, R. Stiefelhagen. - Text: electronic // Proceedings of the 21st International Conference on Pattern Recognition (ICPR2012). - 2012. - P. 930-934. -URL: https://ieeexplore.ieee.org/abstract/document/6460287 (date accessed: 09.09.2025).

154. Achanta, R. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods / R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Susstrunk // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2012. - Vol. 34. - № 11. -P. 2274-2282.

155. Шамрей, Д. В. Способ глазного протезирования с использованием технологии 3D моделирования / Д. В. Шамрей, А. Н. Куликов, И. С. Железняк, А. В. Ширшин, Н. А. Баранова, С. В. Чурашов, А. А. Кольбин. - Текст : электронный. - URL: https://www.elibrary.ru/item.asp?id=48770439 (дата обращения: 06.10.2025).

156. Лошенко, Ю. А. Тренажер Для Отработки Манипуляций На Сосудах Бедра И Надколенной Области / Ю. А. Лошенко, С. В. Кушнарев, И. С. Ковальский, С. В. Байденко, А. В. Ширшин. - Текст: электронный. - URL: https://www.elibrary.ru/item.asp?id=56007046 (дата обращения: 06.10.2025).

157. Лысенко, А. В. Аспирационная насадка шприца для биопсии объемных образований мягких тканей в дополненной реальности / А. В. Лысенко, А. И. Яременко, Н. Л. Петров, И. С. Железняк, С. В. Кушнарев, А. В. Ширшин, А. Ю. Смирнов. - Текст: электронный. - URL: https://www.elibrary.ru/item.asp?id=80416219 (дата обращения: 06.10.2025).

158. Mary Synthuja Jain Preetha, M. Image segmentation using seeded region growing / M. Mary Synthuja Jain Preetha, L. Padma Suresh, M. John Bosco. - Text: electronic // 2012 International Conference on Computing, Electronics and Electrical Technologies (ICCEET). - 2012. - P. 576-583. - URL: https://ieeexplore.ieee.org/abstract/document/6203897 (date accessed: 09.09.2025).

ПРИЛОЖЕНИЕ А. АКТЫ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ

Результаты диссертационной работы Ширшина Александра Вадимовича на тему «Разработка алгоритмического и программного обеспечения обработки данных рентгеновской компьютерной томографии для контроля структуры изделий из полимерных композиционных материалов», а именно:

методика обработки результатов рентгеновской компьютерной томографии, основанная на применении процедур кластеризации с текстурной фильтрацией и классификации на основе радиомическпх характеристик; алгоритм и программное обеспечение автоматической сегментации данных рентгеновской компьютерной томографии были использованы в ООО «Медсимтех» нрн разработке системы автоматической сегментации данных рентгеновской компьютерной томографии на базе комплексированной системы не разрушающего контроля изделий аддитивного производства из полимерных композиционных материалов.

Использование приведённых результатов диссертационной работы позволило повысить достоверность контроля качества изделий из полимерных композиционных материалов на основе разработки методов и алгоритмов автоматического контроля их морфологической структуры по данным рентгеновской компьютерной томографии с применением методов машинного обучения.

« >

У ТВ! Дире

ребтова

АКТ

о виецреннн результатов диссертационной работы

Ширшина Александра Вадимовича

Внештатный инженер

\(! /

г^У А.Е. Копылои

УТВЕРЖДАЮ

АК!

внедрения материалов диссертационного исследования «Разработка алгоритмического и программного обеспечения обработки данных рентгеновской

компьютерной томографии для контроля структуры изделий из полимерных композиционных материалов» в научную деятельность научно-исследовательского

центра академии.

Комиссия в составе: председателя — начальника НИЦ полковника медицинской службы Головко К.П.. членов комиссии: начальника НПО (медико-биологических исследований) НИЦ полковника медицинской службы Глушакова Р.И., ведущего научного сотрудника НИЦ доктора медицинских наук профессора Пелешка С.А., настоящим актом подтверждает внедрение материалов диссертационного исследования Ширшнна Александра Вадимовича «Разработка алгоритмического и программного обеспечения обработки данных рентгеновской компьютерной томографии для контроля структуры изделий из полимерных композиционных материалов», а именно:

методики обработки результатов рентгеновской компьютерной томографии, основанной на применении процедур кластеризации с текстурной фильтрацией и классификации на основе радиомических характеристик;

алгоритма и программного обеспечения автоматической сегментации данных рентгеновской компьютерной томографии

в процесс проведения научных исследований в рамках выполнения научно-исследовательских работ научно-исследовательского центра академии, посвященных аддитивному производству прототипов органов из полимерных материалов.

Использование приведённых результатов диссертационной работы позволит повысить достоверность контроля качества изделий аддитивного производства из полимерных материалов на основе разработки методов и алгоритмов контроля их морфологической структуры по данным рентгеновской компьютерной томографии с применением методов машинного обучения.

Председатель комиссии: полковник медицинской службы

Члены комиссии: полковник медицинской службы

профессор

ПРИЛОЖЕНИЕ Б. СВИДЕТЕЛЬСТВА О РЕГИСТРАЦИИ

РОССИЙСКАЯ ФЕДЕРАЦИЯ

(19)

пи

<П>

(51» МПК

{ЗОЮ 23/28 (2006.01)

ООНВ 23/34 (2006.01)

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

(1^) ОПИСАНИЕ ИЗОБРЕТЕНИЯ К ПАТЕНТУ

2 806 054'131 С1

(52)СПК

С09В23/28 (202.102): С09В 23/285 ¡2011021: С09В 23/34 (202X02)

О

ш о

(О

о со гм

(21)С!2) Заявка: 202213Э77В. 20.12.2022

(24) Дни начала отечен срока действия патента: 20.12.2022

; га регистрации: 25.10.2023

Приоритетны):

(22) Дна подачи заявки: 20.12.2022

(45) Опубликовано: 25.10.2023 Еюл. 1« ЗО

Адрес для пцижш:

1Ч615Э. Санкт-Петербург, у л. Среднерогатекая. В, кори. 1, стр. 1, кв. 100, Ю.А. Лош-гнео

(72)Автор(ьг>:

Лошекко Юрий Анлрееви1-: (Ки>. Кушнаргв Сергей Владимирович (И.и)г Ковальский Илья Сергеевич И.Т_Г|_ Байд-нка Сергей Викторович Шнршкн Александр Вадимович (ЕЦ)

(ТЗ) Папяпшб.1шдвтиь(и):

Общество с ограниченной ответственностью "МЕДИЦИНСКИЕ СИ МУЛЯЦИОННЫЕ ТЕХНОЛОГИИ1" (ООО 'МЕДСИМТЕХ")

(ни)

(54» Слисок докуиснто^ цитированных в отчете о поиске: йи 203406 и], 02.04:2021. Ни 2739667 С1, 2S.12.2020. СИ 20Й5№?72 и. OI.tB.20l4.US 11263922 В2,01.03.2022.

(54) ТРЕН АЖЕР ДЛЯ ОТРАЕОТК И МА НИ ПУЛДЦИ Й Н А СОС УДАХ БЕДРА И НАДКОЛЕННОЙ ОБЛАСТИ

(57) Реферат:

И обретение относится к средствам обучение вищНФпк.'Цшжфхтгппбпа манипуляций на сосуди* бедра и надколенной области вытирает имитаторы сосудов. устройство нагтнетания пуяьенрурлци о потока жидкости и блок управления с программным абсахтажи. Тренажер прсдстан.чяет собой упругий и лластачный имитатор бедра и паха с постными ориентирами л отверстиями в бедренной и надколенной областях для вкэуалкзащм ехкудов. усеченный сверху ториюнтальЕюй плоскостью над пупком. княружн - сагиттальной ш пупиои. но задней поверхности - преходяшей вдоль него фронтальной плоскостью. II ЕЕроекинях доступа КбеДреНЕЫЙ ГГППЛГГ ТППТГЙ1 [ПЧИИ п шиптпрг бедра н паха еыполнсе1ы псион дли ркзищпга сменных блоков. представляющих гобой цельные сиднкоповые блоки с имитаторами кожи. мышц л бедренной нли ьшдколенной артернгй. Артерии скрыты нышпинш пучшин, РЕСШШКПХННЫМИ

7> с

К1 оо О (П О

(Л

■ь.

о

а hk.Ii1 натянутых створок. Костные ориеЕттиры рнчие то-1 и.1 с ианпшкп» обозначения тактильных ориентиров: бедренного, Еыдколенннка. лобкового с участком седалищ I мй. подвздошного в области перечней верхней ости. Блок управления шпплнен с ккаюшиосгыо сбора данных о временных пхервалях яыеюлнснпх манипуляций с помощью датчика давления иконтроля результатов их выкшниг. Имитаторы сосудов првдлшшпг собой замкнутую систему трубок с устройством нагнетания пульсирующей жидкости.

г---внутреннего дна негра и толщины

стенки сосудов выбраны в бедренной области: 10-12/1-1.5 мм: в кадите к кой области б-ИУ! мм. Тсянкчссенй результат состоит в обеснечсЕнги отработки операций 'за бедренной и надколеЕтной артериям в типичных для доступа областях и щнЕивгнных к реальныи условиях. 6 н.т.

Сгр. ■

РОССИЙСКАЯ ФЕДЕРАЦИЯ

i 19)

RU

tiií

2 772 547*131 C1

(5l) Ml [К A6!F2/l-t (2006.01) A6IB6/03 (2000.01)

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

а*) ОПИСАНИЕ ИЗОБРЕТЕНИЯ К ПАТЕНТУ

<52)СПК

A6IF2/14(2022.Oí): А61В6ЮЗ г.2022.01)

О

Г^ ТГ Ю СМ h-h-гм

(2] )(22) Заявка: 20211 lftô25r 07.06.2021

424) Дата начала сноси сроки деГигтвна гштагта:

0T.0e.202I

;Ln а регистрации: 23.05.2022

Прнортгт^ы):

(22) Дат» подачи 1алжжж 07.06.2021

(45) Опу&ншшако: 23.05.2022 Ekvi. .Ys 15

Адрес для nqnmni:

19-4044. Санкт-Петербург, ул. Ахал. Лебедем, Ú. лит. ЯГ, Военно-медицинская академия мм. СМ Км рова. отдел оргаки зацин HP и подготовки НПК, Д.Овчинникову

(72) Автор)ы>:

ШамреЙ Денис Владиславович (RU|, Куликов Алексей НиколаевичÍRU). Железняк Игорь Сергеевич (RU). Шнрсынн Александр Вадимович ■ RL1}, Баранова Надежда Александровна (RU), Чурашов Сергей Викторович (RU), Кольбнн Алексей Анатольевич (RU)

(73) Патентообладателиhj: Федерально; государственное бюджетное военное образовательное учреждение высшего образования "Боенно-медндонская академия нменн СМ. Кирова" Министерства обороны Российской Федерации (ВМедА) (RU)

(56) Слисок документов, цитированных а отчете о поиске: ЕШ 2471420 С1.1001.2013. RU 2140202 О, 27.10.1999. RU 2622ЧТВ С1. 21.06.2017. RU 2)621124 С 1,31.05.2017. БРУСОВА Л. А. и др. Компьютерные технологии в диагностике н лечении прогрессирующего анофгальмич ее ко по синдрома. Вестипк офтальмологии. 2020. номер I, стр. 44-55. RUITERS S. el al. Thiee-dimeüsionBl desLgn af a geametrit modeL for ar. ocular (ol ирод.)

(54) Способ глазного протезирования с использованием технологии 3D моделирования

(57) Реферат:

Изобретение относится к области медицины, а иыгнно к офтальмологии, и иозигт быть нспользождно для глазного протезироаанил г нспользовапнеи технологии 3D моделировании. ПроБс^гг шипштерную ToncrpatjaiKi (KT) онорко-двигательЕюй культк пациента. При ггом сканирование проводят в две фа tu. а ичейпо до л после введения нщишшт препарата с цдшишымн паршкпшш, шшачаищнн спиральный режим сканирования. напряжение на рентгеновской труоке не ниже 120 кЬ. ток не

менее 100 мА. толщину сканирования не Солее 2 им иУилн толщину реконструируемого среза не более ] мм. При пои положение пациента на ■спине, ось вращения гентрн ивдгаллсльва щкдашыюй оси тела пацнпта, зона сканирования нключает область голови от уровня надбровных дуг до подглазничного края орбит. После первой '¡'j'äu производят введсЕЕЕк: к верхний и iiim;nn отделы пвыовплшльони папка 0.2-4.5 мл раствора ннзкоосыо л я л ь е i ого йодоевдержащего контрастного препарата, которыЛ

7) С

ю

-4

--J

ГО СП

О

РОСС ИЙСКАЯ ФЕДЕРАЦИЯ

|1Ч>

RU

(in

231 549 " U1

(5 I j M ПК A61BI0&И (200É 01) G06VJ020 (3D22J0I)

Öl

in

со Ol

Э

te

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

<<2> ОПИСАНИЕ ПОЛЕЗНОЙ МОДЕЛИ К ПАТЕНТУ

(52 h СП К

А61В 20КЮ208 (2024.08к С06 V-' 20/20 <2024.08)

(2) )(22) Заявка: 2024125661, 02.09.2024

(24) Дата начала отсчета срока действия патагга:

02.09.2024

/Lira регистрации:

30.01.2025

Приоритетны):

(22) Дата подачи заяшж 02.09.2024

(45) ............... №.01.2025 Ьп. Xi 4

Адрес для пципеш:

197022. Санкт-Петербург. ул. Льва Толстого. 6-S, ПСПбГМУ нм И П Павлова, отд. правовой охраны объектов интеллектуальной СОбСТВеНКОСТИ

(72) Л втор) ы):

Лысенко Анна Валерьевна (RU). Яременко Андрей Ильич (RU), Петров Николай Леонидович > RU1. Железняк Игорь Сергеевич ¡RU), Кушнарев Сергей Владимирович (EU). Ширшин Александр Вадимович > RL1), Смирнов Антон Юрьевич (RU)

(73) Патентообладателе hj: Федеральное государственное бюджетное образовательное учреждение высшего образования "Первый Санкт-Петербурпскнй государственный медицинский университет иыени академика И.П. Павлова"

М иннстеретва здравоохранении Российской Федерации (RU)

(5i | Список документов, цитированных в отчете о покое Costa N. el я]. Augmented, reallty-ap-sistei ultrasound breast biopsy >'/5cdsojs. - 2023. - T. 23. - N. 4. - C. Li31. Aigar-Deen D. el al. Augmented Reality Guided Needle Biopsy of Soft Tissue: A Pilol Study //Frontiers in Robotic i and Al. - 2020. - T. 7. - C. 72. Farihad-Arnncter NA, Kubilc-Hueb HA, (Colling C, Leo C. Ooldbabn J. Learning how 1o (си. про д.)

(54) Аепнрационная насадка шприца для с попе i реальности

(57) Реферат:

Полезная модель относится к техническим изделиям. используемым в медицине при выполЕ1е1шн процедур аспирации. пункции или онопсии под контролем ультразвукового исследования н при поддержке технологии дополнсецмй реальности. Лсппр.шионЕмя насадка содержит дугообразнуво рукоятку с продольной прорезью, соразмерной внешнему диаметру цилиндра устннавлнваеиаго ннъепрвннаго nitipmia. фиксатор с прорезью для крепления упора hitokh упомянутого шприц,! на внутренней

ни объемны! образований мягки* тканей в дополненной

стороне фиксатора и площадкой для фикса ним марке рд дополненной реальности на вненпсей стороне фиксатора, iitapEinpiHO установленный ем одном конце дугообразной рукоятки, ei упор для перемещения поршня упоижнутого шприца, установленный на другом kohilc душобразвой ру коя пи .Ли I И1|м UI ШЕИ на насадка hi съекцио! тог о шприца .для Shoikt-ih объемных образоваЕшй ища TKaEieH обеспечивает ее мшз го разовое использование со сгвндаргкшл инъскцноешыми шприцами, выбор и маркировку-----"

W

OJ Ol (О

Grp.. 1

ПРИЛОЖЕНИЕ В. ТЕКСТ ПРОГРАММЫ АВТОМАТИЧЕСКОМ

СЕГМЕНТАЦИИ

1

2

3

4

5

6

7

8 9

10 Л 12

13

14

15

16

17

18 19 2в 21 22

23

24

25

26

27

28 29

import as

from pathlib import Path import math import flumpy as np import pydicom

from pydicom. pixel_data_handlers import apply_modality_lut import matplotlib.pyplot as pit

from scipy.ndimage import gaussian_filter, binary_dilation

from scipy.signal import fftconvolve

from skimage.segmentation import slic

import SimpleiTK as sitk

import radiomics

import pandas as pd

from sklearn import preprocessing

from sklearn.svm import LinearSVC

FEATJRES

{' firstorder' : [' RobustMeanAbsoluteDeviation' ], 'gldm":Г'SmallDependenceEmphasis1], 1 glcm":Г'Contrast1, 'Id1],

1 gl rim" 1glszm" 'ngtdm 1

[ "RunLengthNonUniformity", ] , j"SizeZoneMonUniformityNormalized",], j1 Coarseness 1,]}

NUMBER OF SAMPLES = 4

'list{map(lambda item: k+ item, v}) for k, v ir FEATURES. items()],

HEADER = sun ( [ "cluster_index"])

30

31

32

33 data_path = {,,salllple_0_pat^l,,: f"7home/asmdot/Desktop/NAUKAJJAUKA 29240722/background_dcm", # путь к обучающим данным (фон)

34 | "sample l path ": f"/home/asmdot/Desktop/NAUKA_NAUKA 20240722/grid dcm"', # путь к обучающим данным (текстура 11

35 | "sample_2_path": f "/home/asnndot/Desk top/NAUKA_NAUKA 20240722/gyroid_dcm", # путь к обучающим данным (текстура 2}

36 | 'sample_3_path": f"/home/asmdot/Desktop/NAUKA_NAUKA 20240722/tri-hexd с m"'} # путь к обучающим данньи (текстура 3)

37 | dir_path = f "/h£iiiie/asmdot/De5ktop/NAUKA_NALlKA 20240722/bone_dcm" # путь к валидационньп данным

33

39 4в

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59 6в 61 62

def r umpya r ray _f r omdi c om_s e t(p a t htoset J:

dicom_set = []

for root, _, filenames in os.*alk(path_to_set): for filename in sorted(filenames): dcm_path = Path(root, filename) i.f dcm_path.suffix = ".dcm": try:

dicom = pydicom.dcmread(dcm_path, force=True) except IOErrcr as e:

printff"Can"t import {dcm_path.stem}") else:

hu = apply_modality_lut(dicom.pixel_array, dicom) dicom_set,append(hu)

dicom_array = np.array(dicom_set> return ditom_array

def visualise_slice_from_3d_data(dataJ slice_index=0, masked=np,array([False]}): pit.figure(figsize=(9, 7))

pit.imshowfdata[: rslice_index,:), cmap='gray")