Система поддержки принятия решений по медицинским изображениям методами анализа контуров и точечных полей тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Батухтин, Дмитрий Михайлович

• Батухтин, Дмитрий Михайлович
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Батухтин, Дмитрий Михайлович

Оглавление

Введение

Глава 1. Современный уровень, проблемы и перспективы количественной диагностики

1.1. Введение

1.2. Медицинская диагностика по эндоскопическим изображениям

1.3. Диагностика по рентгеновским маммографическим изображениям

1.4. Использование диагностической информации рентгеновской томографии в хирургической практике

1.5. Формирование виртуальных моделей органов человека (на примере почки)

1.6. Контурный анализ биомедицинских изображений

1.7. Система количественной диагностики как информационная система с принятием решения

1.8. Принципы проверки гипотез с помощью статистических критериев

1.9. Обоснование задач диссертационного исследования

1.10. Заключение

Глава 2. Метод и алгоритм классификации тканей желудка и пищевода по узкоспектральным эндоскопическим изображениям на основе их математических моделей

2.1. Введение

2.2. Характеристика узкоспектральных эндоскопических изображений

2.3. Математические модели на основе анализа точечных полей здоровых тканей и тканей с патологией

2.4. Метод объективной классификациия тканей желудка и пищевода

2.5.Алгоритм выделения границ патологии и здоровой ткани на эндоскопических узкоспектральных изображениях

2.6. Алгоритм устранения локальной неоднородности освещения эндоскопической сцены

2.7. Выводы

Глава 3. Метод классификации новообразований на маммографических изображениях на основе контурного анализа

3.1. Введение

3.2. Маркеры злокачественных процессов на рентгеновских маммографических изображениях

3.3. Метод классификации объектов по их форме на маммографических изображениях методами контурного анализа

3.4. Дополняющая методика классификации объектов на маммографических снимках

3.5. Выводы

Глава 4. Алгоритм сегментации тканей почки по ее томографическим срезам

4.1. Введение

4.2. Структура почки, ее функционирование и патологические изменения

4.3. Принципы сегментации изображений тканей почки и опухоли

4.4. Алгоритм сегментации органов на томографичеком изображении

4.5. Формирование пространственной полигональной модели человеческого органа

4.6. Заключение

Глава 5. Система поддержки принятия решения по медицинским изображениям на основе применения методов контурного анализа объектов и моделей их точечных полей

5.1. Введение

141

5.2. Подсистема поддержки диагностического решения для анализа эндоскопических изображений

5.3. Подсистема поддержки диагностического решения для рентгеновских маммографических изображений

5.4. Подсистема обработки КТ изображений и построения трехмерной полигональной модели

5.5. Заключение

Заключение

Список литературы

157

Введение диссертации (часть автореферата) на тему «Система поддержки принятия решений по медицинским изображениям методами анализа контуров и точечных полей»

ВВЕДЕНИЕ

Общая характеристика работы. Диссертация посвящена разработке и исследованию системы поддержки принятия решений на основе методов объективной классификации биологических тканей по результатам обработки их изображений.

Актуальность темы исследования. Современный этап развития биотехнических информационных систем характеризуется следующей общей тенденцией. Она заключается в том, что объектом их обработки и анализа служат различного рода изображения тканей и органов человека, достаточно сложные по структуре и с неоднородными статистическими характеристиками. Задачей таких систем является не только такая пассивная функция, как формирование самих изображений, но, в первую очередь, понимание изображений - обнаружение на сложном, статистически неоднородном и многоградационном по яркости фоне, представляющих интерес объектов, оценка их параметров, принятие решения о степени их патологии, а также выработка рекомендаций о возможных дальнейших действиях[1-18,32,33].

В последние годы решение подобных задач значительно осложнилось в связи с необходимостью обработки не только плоских 2Э изображений, но и пространственных, 3Э изображений. Из обзора достигнутых в этой области результатов, следует что, решение этих задач, как с теоретических, так и с практических позиций далеко от завершения. Существует немало причин для подобного вывода, но следует отметить, что такая часто приводимая причина, как недостаточная степень развития вычислительной техники, является, на наш взгляд, второстепенной. Отсутствие результатов обработки изображений, сопоставимых по своей эффективности с возможностями человека, объясняется, в первую очередь, недостаточно развитыми теоретическими подходами. В большинстве публикаций по вопросам обработки изображений используются различные эвристические подходы и даются рекомендации в пользу слабо проверенных и сильно ограниченных методов [19-22,28-31].

Создание интеллектуальных систем поддержки принятия решений (СППР) на современном этапе является одной из актуальных проблем разработки медицинских информационных систем [1-10]. Эти системы естественным образом делают неразрывным процесс передачи информации, поступающей от пациента на входы эндоскопов, энцефалографов, ультразвуковых сканеров, томографов и интерпретацией их выходных данных врачом для принятия диагностических решений. Существенной особенностью применения СППР служит требование принятия окончательных решений непосредственно врачом. Проблема здравоохранения является цивилизационной проблемой 21 -ого века. Она обусловлена не только широкими возможностями повышения и сохранения уровня здоровья людей за счет возможностей, открывающихся высоким уровнем современных технологий, но и постоянно нарастающих рисков для цивилизации, связанных с ухудшением среды обитания и необходимостью обеспечения достаточного количества продуктов питания.

Под системой поддержки принятия решений понимают автоматизированные системы, помогающие специалистам при принятии решений использовать имеющиеся данные и модели. Система не заменяет человека, автоматизируя процедуру решения, а обеспечивает его различного рода помощью в ходе принятия окончательного решения.

СППР является системой обработки информации, и ее структура подобна другим информационным системам. Работа системы базируется на математической модели поступающего на ее вход сигнала и помеховых факторов. Наличие модели дает возможность использовать для реализации целевой функции соответствующий математический аппарат. Результатом обработки служит достаточная статистика, содержащая в концентрированном виде всю полезную информацию для принятия решения. Само решение принимается путем сравнения достаточной статистики с некоторой пороговой величиной. Значение пороговой величины формируется таким образом, что при превышении ее величины значением достаточной статистики, система обработки считается оптимальной в плане обеспечения заданных показателей качества. Построенная на этих

принципах СППР характеризуется единым теоретическим подходом к принятию наилучшего решения, объективностью принимаемого решения и представлением результатов в количественном виде.

Характерной особенностью СППР является представление ее входной информации в виде изображений. Именно такой вид имеют результаты работы различных томографов, эндоскопов, аппаратов УЗИ, микроскопов и др. Из формируемых ими изображений медицинского характера СППР должна извлекать необходимую информацию для принятия врачом диагностического решения.

Особенностью данной диссертационной работы в плане реализации системы принятия решений служит подход к выбору математической модели анализируемых объектов и аналитического аппарата для их обработки. Он заключается в выборе упрощенной, но достаточно адекватной модели изображения, и применение на основе этой модели строгих теоретических подходов для обработки реальных биомедицинских изображений, основанных на теории сигналов. Рассмотренные в диссертации упрощенные модели изображений внутренних органов человека и их тканей, задают аналитически формы этих изображений, в виде их контуров. Как известно, форма изображения служит концентратором информации, содержащейся в изображении объекта. Она интерпретируется как заданный в аналитическом виде сигнал, для обработки которого используются в диссертации методы контурного анализа. Понятие формы изображения служит важнейшей предпосылкой как для понимания процесса визуального восприятия человеком окружающего мира, так и для применения аналитических методов обработки изображений [19].

Медицинские диагностические изображения в целом характеризуются концентрацией большого объема информации о состоянии тканей и органов пациента. Однако априорная неопределенность при постановке диагноза, многокритериальный характер принимаемого решения и субъективность выносимых специалистом оценок повышают риск врачебной ошибки. В то же время методы и алгоритмы автоматизированного анализа изображений широко и успешно применяются в различных областях человеческой деятельности, таких

как обработка аэрокосмических снимков, робототехника и машинное зрение и представляют собой достаточно развитую теорию. Медицинские изображения могут рассматриваться в качестве источника объективных данных при создании математических моделей биологических процессов, органов и тканей.

РазработкаСППРпо медицинским диагностическим изображениям базируется на математическом моделировании основных процессов и объектов исследования. При этом решаются следующие задачи:

- выделение экспертом диагностически-значимых параметров и характеристик объектов и процессов, которые с известной долей вероятности свидетельствуют о наличии и характере патологии;

- формализация полученных параметров в виде законов распределения вероятностей, точечных полей, граф-схем, контурных моделей и пр.

- выделение характеристик биологических процессов и объектов на фоне шумов, помех и артефактов при анализе различного рода сигналов, в т.ч. диагностических изображений.

- сравнение полученных на предыдущем этапе характеристик с формализованными моделями и вынесение решения системой по заранее установленному решающему правилу.

Для получения математических моделей органов и тканей по медицинским изображениям существуют несколько групп признаков. Среди них важную информацию, позволяющую диагносту принятьопределенное решение, несут признаки, связанные с цветом структур и участков, и характеристики формы объектов на изображениях. Признаками первой группы служат значения светимости и цвета точек (пикселей) изображения, расположенных на поверхности или внутри органа. Совокупность таких точек образует точечные поля, исследование которых позволяет вынести обоснованное решение о состоянии здоровья органа. Признаки второй группы позволяют получить сведения о форме объекта или структуры, ее размерах и др. При этом вся информация концентрируется в форме изображения биологической структуры.

Использование этих двух групп признаков при проектировании СППР позволит решить задачу объективной оценки состояния тканей и органов пациента по различным видам медицинских изображений. Исходя из представления характеристик светимости и формы биологических структур, целесообразно использовать в решении этих задач математический аппарат анализа групповых точечных полей и контурного анализа. Таким образом, математической моделью светимости ткани будет распределение точечного поля ее элементов на изображении, а в качестве модели для оценки формы можно использовать контур изображения объекта как концентратор информации о ней.

Структуру СППР можно представить в виде классификатора, на вход которого поступает изображение тканей и структур пациента. Такой классификатор сравнивает исходные параметры на изображении с заранее созданными классами объектов, представленными в виде математических моделей, и дает количественную оценку степени сходства исследуемого объекта с тем или иным классом. На выходе пользователь получает объективную количественную информацию о степени патологии конкретного участка ткани. Стоит отметить, что данная информация не автоматизирует процедуру вынесения диагноза, а обеспечивает специалиста дополнительными данными в условиях априорной неопределенности, на основании которых он может принять конкретное решение.

Задачей данной диссертационной работы является создание СППР, реализующей принципы обработки медицинских изображений методами анализа контуров и групповых точечных полей. Подобная система позволит эффективно решать задачи классификации биологических тканей и структур на медицинских изображениях. В качестве исследуемых изображений в работе использованы распространенные виды диагностических изображений: узкоспектральные эндоскопические, маммографические и томографические снимки. Подобный выбор также связан с тем, что эти типы изображений служат для диагностики и лечения распространенных видов онкологических заболеваний: рак желудка, пищевода, молочной железы, почки. Соответственно соданную СППР следует

рассматривать как средство диагностики онкологических процессов и поддержки хирурга на этапах подготовки и проведения операции.

Степень разработанности темы исследования.Важнейшие результаты в области анализа сцен и распознавания образов получены отечественными учеными в рамках НТС РАН по проблеме «Кибернетика» под руководством академика РАН Ю.И. Журавлева. Особо следует отметить Самарскую школу под руководством член-корреспондента РАН В.А. Сойфера;Курскую школу под руководством доктора технических наук, профессора В.С. Титова; Нижегородскую школу под руководством доктора физико-математических наук, профессора Ю.Г.Васина; Новосибирскую школу под руководством доктора технических наук; профессора В.С. Киричука; Муромскую школу, возглавляемую доктором технических наук, профессором С.С. Садыковым и других ученых, входящих в Российскую общественную организацию «Ассоциация распознавания образов и анализа изображений». Ряд важных результатов по данной тематике, опубликованных в монографиях [19,20,28], был получен в «Региональной научно-исследовательской лаборатории по обработке точечных объектов и точеных полей» (далее Региональная НИЛ) Поволжского государственного технологического университета (ПГТУ, г.Йошкар-Ола). В стенах этой лаборатории были выполнены исследования по данной диссертационной работе.

Таким образом, выбор в качестве адекватных моделей биомедицинских изображений аналитические представления их форм в виде контуров, а в качестве моделей точечных полей на тканях - оценки распределений вероятностей их яркостей, позволяет с единых позиций теории сигналов подойти к обработке реальных изображений. С этих позиций обработка биомедицинских изображений является эффективным методом получения дополнительной диагностической информации о состоянии пациента.

Среди важных направлений научных исследований биомедицины в настоящее время выделяется борьба с раковыми заболеваниями. Особое место здесь занимает их диагностика. При этом, важно определить наличие патологии у пациента на ранних стадиях онкогенеза. Кроме того, к проблемам диагностики

онкологических процессов относится задача установления границы перехода здоровых клеток в патологическую ткань, необходимая для установления оптимальногоуровня резекции опухоли[34-39,116,117].

Наиболее эффективное решение данных проблем может быть создано на базе доказательного подхода в медицине, основой для которого служат количественные методы оценки состояния здоровья пациента. Данный подход в настоящее время получил широкое распространение благодаря развитию информационных технологий, и особенно биостатистики. Доказательная медицина позволила более оперативно и объективно оценивать качество медицинских решений.

Объективная оценка состояния биологических тканей может быть получена путем их классификации на исходных медицинских изображениях. Для этого следует получить математические модели классов тканей, а затем оценить степень адекватности конкретных объектов изображения для той или иной модели. Ключевые параметры для классификации определяются специалистами на базе существующих методик диагностики. Рассматривать такую классификацию тканей на медицинских изображениях следует как способ получения врачом объективной информации по результатам диагностического исследования, на которую он может опираться при вынесении решения, а также использовать при планировании и проведении хирургического вмешательства.

В данной диссертационной работе рассматриваются проблемы классификации тканей и объектов на различных видах медицинских изображений. Исследуются параметры эндоскопических изображений желудка и пищевода в узкоспектральном диапазоне освещения, рентгеновских маммографических снимков и томографических изображений почки. Основные характеристики этих изображений, в первую очередь, зависят от особенностей биологических структур исследуемого органа, а также технологии получения этих изображений. Несмотря на очевидные различия исходных данных, к ним применяется одинаковый подход. В рамках данного подхода предполагается переход от вербального характера описания особенностей тканей и объектов к их

количественной оценке. Реализация этих задач является основополагающим этапом доказательной медицины.

В Региональной НИЛ работает группа практикующих врачей -руководителя эндоскопического отделения, доктора медицинских наук, профессора Н.Н. Митраковой, руководителя урологического отделения Республиканской клинической больницы, доктора медицинских наук, профессора В.Н. Дубровина и главного врача Центра патологии речи и нейрореабилитации, доктора медицинских наук, профессора В.В. Севастьянова.При их активном участии была определена тематика диссертационного исследования, получены реальные исходные медицинские изображения, обсуждались полученные результаты, за что автор диссертации выражает им глубокую признательность.

Объектом исследования диссертационной работы являются биомедицинские диагностические изображения, полученные при помощи таких технологий как узкоспектральная эндоскопия, рентгеновская маммография, компьютерная томография.

Предметом исследования выступают математические модели реальных биологических тканей на этих изображениях, методы классификации этих тканей и созданная на базе этих методов СППР.

Цель диссертационного исследования заключается в повышении качества диагностики и лечения онкологических заболеваний путем создания системы поддержки принятия решений по медицинским изображениям, использующей методы анализа контуров и точечных полей.

Для достижения цели диссертационного исследования решены следующие

задачи:

1. Пронанализировано состояние проблемы выявления информативных признаков, свидетельствующих о наличии патологии, на медицинских изображениях;

2. Разработаны математические модели органов с патологией и без для построения диагностической карты;

3. Разработаны метод и алгоритм классификации тканей желудка и пищевода на основе анализа их точечных полей;

4. Создан метод классификации новообразований на маммографических изображениях по их форме на основе контурного анализа;

5. Разработан алгоритм сегментации тканей почки для визуализации ее структуры и выявления патологии;

6. Создана система поддержки принятия решения по медицинским изображениям на основе контурного анализа и моделей их точечных полей.

Методы исследования. При решении поставленных задач применялись аналитические методы теории обработки сигналов, контурного анализа, теории вероятности, математической статистики, обработки изображений и математического моделирования с применением вычислительной техники.

Достоверность и обоснованность положений, выводов и рекомендаций подтверждается использованием общепринятых критериев качества функционирования систем обработки изображений, базовыми положениями теории сигналов, применением классических методов моделирования информационных процессов, связанных с принятием диагностических решений, а также высоким значением вероятности правильности этих решений.

Выносимые на защиту научные положения.

На основе полученных в процессе диссертационного исследования результатов сформулированы следующие защищаемые положения.

1. Метод и алгоритм классификации тканей желудка и пищевода по узкоспектральным эндоскопическим изображениям на основе математических моделей в виде трехмерных нормальных распределений их точечных полей позволяет построить объективную диагностическую карту внутренней поверхности органа.

2. Метод классификации новообразований на маммографических изображениях на основе анализа формы контуров диагностируемых объектов, обеспечивает получение объективной оценки характера новообразования.

3. Алгоритм сегментации структуры почки по ее томографическим срезам для построения трехмерной модели почки, позволяет эффективно визуализировать ее структуру и повысить информативность для принятия решения при подготовке и проведении операции.

4. Система поддержки принятия решения по медицинским изображениям на основе применения методов контурного анализа объектов и моделей их точечных полей, позволяет повысить объективность постановки диагноза и информационное обеспечение при планировании и проведении операции.

Научная новизна определяется следующими новыми результатами, полученными в процессе диссертационного исследования:

1. Математические модели здоровой ткани и ткани с патологией внутренней поверхности желудка и пищевода, отличающиеся представлением информации о цвете тканей в виде распределений вероятностей яркостей их точечных полей по эндоскопическим изображениям.

2. Метод классификации тканей желудка и пищевода по узкоспектральным эндоскопическим изображениям на основе разработанных математических моделей этих органов, отличающийся использованием аппарата многомерного статистического анализа, включающий алгоритм устранения локальной неоднородности освещения, и позволяющий получить объективную оценку состояния биологической ткани на основе построения диагностической карты внутренней поверхности органов.

3. Метод классификации доброкачественных и злокачественных новообразований на маммографических изображениях, отличающийся использованием аппарата контурного анализа, позволяющий получить объективную оценку степени патологии новообразований на рентгеновском маммографическом изображении со значениями специфичности, чувствительности и диагностической точности не менее 95%.

4. Алгоритм сегментации структуры почки по ее томографическим срезам, отличающийся использованием аппарата анализа ГТП, позволяющий

построить модель органа и повысить информативность при принятии решения в ходе предоперационной подготовки и при проведении малоинвазивных операций.

Теоретическая значимость исследования обоснована тем, что:

- выявлена необходимость создания новых объективных подходов, алгоритмов и систем в цифровой обработке биомедицинских диагностических изображений и распознавании образов, позволяющих решить задачу идентификации новообразований на данных изображениях.

- применительно к задачам диссертации результативно использованы комплексы базовых методов теории цифровой обработки изображений, распознавания образов, математической статистики, контурного анализа, теории принятия оптимальных решений;

- изложены новые подходы, алгоритмы и доказательства возможности классификации патологических тканей на биомедицинских диагностических изображениях узкоспектральной эндоскопии, рентгеновской маммографии и КТ;

Практическая значимость работы состоит в следующем.

1. Разработанные математические модели точечных полей на изображениях тканей пищевода, желудка и молочной железы послужили основой для получения алгоритмов классификации этих тканей на два класса - здоровая ткани и ткань с развивающейся злокачественностью. В результате повышается правильность диагностических решений и снижается уровень субъективных ошибок.

2. Впервые показана возможность объективной оценки области хирургического вмешательства на основе метода аналитического задания ее границ.

3. По результатам разработанного подхода к сегментации органелл почки построена ее 3Э модель с выделением участка, занимаемого раковой опухолью.

Реализация результатов работы.Научные и практические результаты работы использованы в процессе выполнения работ по гранту по программе

«Участник Молодежного Научно-Инновационного Конкурса 2015» («У.М.Н.И.К.») на выполнение НИОКР по теме: «Разработка аппаратно-программного комплекса «Помощник эндоскописта».

Разработанные программные реализации предложенных алгоритмов используются в эндоскопическом и урологическом отделениях ГБУ РМЭ «Республиканская клиническая больница», г. Йошкар-Ола.

Апробация работы.Материалы диссертационной работы докладывались и обсуждались намеждународных конференциях:

- 9-м Открытом немецко-российском семинаре «Распознавание образов и понимание изображений - OGRW-9-2014» (г. Кобленц, Германия, 2014г.);

- Международной молодежной конференции «Научному прогрессу -творчество молодых» (г. Йошкар-Ола, 2015г.); всероссийскихконференциях:

- 27-ой и 28-ой Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (г. Рязань, 2014, 2015); иконференциях профессорско-преподавательского состава Поволжского государственного технологического университета (2012, 2013, 2014, 2015 гг.).

Публикации.По материалам диссертационного исследования опубликовано 17 научных работ, из них 1 монография, 10 статей в рецензируемых научных журналах и изданиях из перечня ВАК, 2 статьи в иных изданиях, получено 6 свидетельств о регистрации программы для ЭВМ, 4 публикации материалов и тезисов докладов.

Краткое содержание диссертационной работы. Во введении обоснована актуальность проблемы, определены цели и задачи исследования, сформулирована научная новизна, обоснована практическая значимость работы и приведена краткая структура диссертации.

В первой главе проанализировано современное состояние, проблемы и перспективы развития количественной диагностики в медицинской практике. Рассмотрены особенности типового подхода к решению информационных задач

количественной диагностики по медицинским изображениям. Проведен анализ непрерывного развития диагностических методов и технологий исследования, применяемых для обнаружения патологий в органах пациента, а также отмечены принципы получения диагностической информации из изображений этих органов. Описаны основы аппарата контурного анализа, используемого при анализе биомедицинских изображений. Рассмотрены проблемы и задачи синтеза систем количественной диагностики как информационной системы с принятием решения. Приведены принципы проверки гипотез при помощи статистических критериев. В конце главы проведен анализ задач диссертационного исследования, а также анализ результатов работы научных коллективов, занимающихся решением проблем количественной диагностики.

Во второй главе рассмотрены вопросы количественного анализа при проведении диагностических исследований тканей пищевода и желудка по эндоскопическимМВ1-изображениям. Исследован механизм формирования узкоспектральных эндоскопических сцен, а также проведен анализ информационных признаков новообразований внутренней поверхности органов желудочно-кишечного тракта. Обоснована возможность классификации тканей на эндоскопических изображениях. Проанализированы основные этапы синтеза классификатора. Произведено обучение классификатора по выборкам элементов эндоскопического изображения. Осуществлен синтез классификатора тканей с позиций теории принятия оптимальных решений. Реализована экспериментальная проверка работы классификатора и приведены результаты проверки классификации изображений тканей пищевода и желудка, подтверждающие адекватность разработанных математических моделей и методов их различения. Рассмотрены вопросы формирования диагностической карты внутренней поверхности органов пищеварительного тракта. Предложен алгоритм устранения локальной неоднородности и произведена его экспериментальная проверка.

Список литературы диссертационного исследования кандидат наук Батухтин, Дмитрий Михайлович, 2017 год

СПИСОК ЛИТЕРАТУРЫ

1. Ильясова, Н.Ю. Информационные технологии анализа изображений в задачах медицинской диагностики / Н.Ю. Ильясова, А.В. Куприянов, А.Г. Храмов. - М.: Радио и связь, 2012. - 424с.

2. Ильясова, Н.Ю. Системы компьютерного анализа диагностических изображений кровеносных сосудов: дисс. ... д-ра техн. наук: 05.11.17 / Ильясова Наталья Юрьевна. - СПб, 2014. - 346 с.

3. Ядыкин, А.А. Количественный анализ видеоизображений элементов бронхолегочной системы: автореф. дис. ... канд. техн. наук: 05.11.17 / ЯдыкинАлексей Анатольевич. - Тула, 2002. -18с.

4. Мельник, О.В. Методы и технические средства для ранней диагностики нарушений в деятельности сердечно-сосудистой системы: дисс. ... д-ра техн. наук 05.11.17 / Мельник Ольга Владимировна- Рязань, 2015. - 285с.

5. Кропотов, Ю.Д. Количественная ЭЭГ, когнитивные вызванные потенциалы мозга человека и нейротерапия / Ю.Д. Кропотов. - Донецк: Заславский А.Ю, 2010.- 506 с.

6. Черепнин, А.А., Модели, алгоритмы и средства для поддержки принятия диагностических решений при эндоскопическом обследовании на основе технологии нечеткой логики: дис. ... канд техн. наук: 05.11.17 / Черепнин Алексей Анатольевич. - Рязань, 2010. - 206 с.

7. Копылова, А.С. Разработка и моделирование алгоритмов распознавания маркеров на изображениях фаций сыворотки крови: дис. .канд. техн. наук: 05.13.18 /Копылова Анна Сергеевна. -Ульяновск, 2012. -161с.

8. Буланова, Ю.А. Система диагностики заболеваний по маммографическим снимкам: дисс. .канд. техн. наук: 05.11.17 / Буланова Юлия Анатольевна. - Рязань, 2014. -154с.

9. Марьяскин, Е.Л. Метод и система обработки динамических медицинских изображений: дис. .канд. техн. наук: 05.11.17 / Марьяскин Евгений Леонидович. - СПб, 2012. -122с.

10. Белякова, А.С. Автоматизированная система диагностики и прогноза сердечнососудистых заболеваний на основе статистических характеристик портретов сердца и индивидуальных параметров пациентов: дис. .канд. техн. наук: 05.11.17 / Белякова Анна Сергеевна. - Рязань, 2016. -197.

11. Campbell, G.M. Quantitative analysis of bone and soft tissue by micro-computed tomography: applications to ex vivo and in vivo studies / G.M. Campbell, A. Sophocleous // Bonekey Rep. - 2014. - №3(564). - pp. 1-12.

12. Quantitative analysis of organic vocal fold pathologies in females by high-speed endoscopy / C. Bohr, A. Krack, U. Eysholdt et al // Laryngoscope. - 2013. - №7(123). - pp. 16861693.

13. Quantitative analysis of the microvascular architecture observed on magnification endoscopy in cancerous and benign gastric lesions / A. Onashi, Y. Niwa, N. Ohmiya et al // Endoscopy. - 2005. - №12(37). - pp.1215-1219.

14. Glide-Hurst CK. A new method for quantitative analysis of mammographic density / CK. Glide-Hurst , N. Duric, P. Littrup // Med. Phys. - 2007. - №11(34). - pp.4491-4498.

15. Quantitative assessment of breast density from digitized mammograms into Tabar's patterns / N. Jamal, N. Kh, L.M. Looi et al // Phys. Med. Biol. - 2006. - №22(51). - pp.5843-5857.

16. Quantitative analysis of computed tomography images and early detection of cerebral edema for pediatric traumatic brain injury patients: retrospective study / H. Kim, GD. Kim, BC. Yoonetal // BMCMed. - 2014. - №12:186. - pp. 1-16.

17. Пеганова, Е.В. Методика автоматизированного выделения патологии пищевода по узкоспектральным эндоскопическим изображениям / Е.В. Пеганова, Н.Н. Митракова, А.А. Роженцов, Г.Р. Сазонов // Вестник МарГТУ. - 2011. - №3. - С.78-84.

18. Физика визуализации изображений в медицине: В 2-х томах. Т1:Пер. с англ./Под ред. С.Уэбба. - М.:Мир, 1991. -408с.

19. Введение в контурный анализ и его приложения к обработке изображений и сигналов /Я.А. Фурман, А.В. Кревецкий, А.К. Передреев и др. Под ред. Я.А. Фурмана - 2-е изд., испр. - М.:ФИЗМАТЛИТ, 2003. -592с.

20. Комплекснозначные и гиперкомплексные системы в задачах обработки многомерных сигналов / Я.А. Фурман, A.B. Кревецкий, A.A. Роженцов, Р.Г. и др.; Под. ред. Я.А. Фурмана. -М. : ФИЗМАТЛИТ, 2004. - 456 с.

21. D.M. Batuhtin, Y.A. Furman, K.O. Ivanov Information technologies in the processes of group point objects' recognition / Y.A. Furman, K.O. Ivanov, D.M. Batuhtin // University of KoblenzLandau: 9th Open German-Russian Workshop on Pattern Recognition and Image Understanding (OGRW-2014, Electronic on-site Proceedings), Koblenz, Germany, December 1-5, 2014.

22. Информационные технологии в радиотехнических системах/ под ред. И.Б. Федорова. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. - 774 с.

23. Себестиан, Г.С. Процессы принятия решений при распознавании образов (пер.с англ.). - Киев: "Техника", 1965. - 151 с.

24. Нильсон, Н. Обучающиеся машины / под ред. Э.М. Бравермана. - М.: Мир, 1967.

- 180с.

25. Бурлай, Е.В. Биотехническая система дерматоглифических исследований ладони: автореф. дис. ... канд. техн. наук / Е.В. Бурлай: - М.: МГТУ им. Баумана, 2009. -16с.

26. Батухтин, Д. М. Диагностика заболеваний молочной железы по форме новообразований при маммографическом исследовании / Е.А. романычева, К. О. Иванов, Д. М. Батухтин // XXVII Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы», Материалы конференции, Рязань, 2014. С. 26-28.

27. Батухтин, Д.М. Оптимизация эндоскопической диагностики патологии пищевода на основе автоматизированной системы сегментации узкоспектральных изображений / Е.В. Пеганова, Д.М. Батухтин, Н.Н. Митракова / Практическая медицина. -2014. №3(79). - С.168-174.

28. Dubrovin, V. Choice of surgical access for retroperitoneoscopic ureterolithotomy according to the results of 3D reconstruction of operational zone agreed with the patient: initial experience / V. Dubrovin, V. Bashirov, Y. Furman // Cent. Eur J. Urol. - 2013. Vol. 4. - pp. 447-452.

29. Точечные поля и групповые объекты / Я.А. Фурман, А.А. Роженцов, Р.Г. Хафизов и др. Под общ.ред. проф. Я.А. Фурмана. - М.:ФИЗМАТЛИТ, 2014. - 440с.

30. Иванов,В. П. Трёхмерная компьютерная графика / В.П. Иванов, А. С. Батраков, под ред. Г. М. Полищука. — М.: Радио и связь, 1995. — 224 с.

31. Морозова, И.В. Применение 3d-моделирования иП информационных технологий вПповышении эффективности изучения оперативной хирургии иПтопографической анатомии / И.В. Морозова, Н.А.Мартынова // Современные наукоемкие технологии. - 2013. - №8 (часть 2).

- С. 213-213.

32. Михайлов, А.Н. Руководство по медицинской визуализации. -Минск: Высшая школа, 1996.- 506с.

33. Bushberg, J.T. The essential physics of medical imaging / J.T. Bushberg, J.A. Seibert, E.M. Leidholdt — Phyladelphia: Lippincott, 2002. — 1315 P.

34. Митракова, Н.Н. Повышение информативности узкоспектральной эндоскопии в диагностике патологии пищевода /Н.Н. Митракова, Е.В. Пеганова, А.А. Роженцов и др.// Эндоскопия. — 2012. — № 4. — С. 17-20.

35. Пеганова, Е.В. Повышение информативности результатов узкоспектральной эндоскопии в диагностике предраковых заболеваний и раннего рака пищевода / Е.В. Пеганова, Н.Н. Митракова, В.Л. Рыжков // Современные технологии в медицине. - 2012. - №2. - С. 68-73.

36. Фурина, Р.Р., Метаболомические исследования в медицине /Р.Р. Фурина, Н.Н. Митракова, В.Л. Рыжков, И.К. Сафиуллин // Казанский мед.ж. - 2014. -№1. - С.1-6.

37. Роженцов, А. А. Метод диагностики онкологических заболеваний на основе анализа изображений хромато-масс-спектрограмм летучих метаболитов мочи / А.А. Роженцов, А.В. Коптина, А.А. Митраков// Соврем.технол. мед. - 2014. - №4. - С. 151-159.

38. Статистика заболеваемости раком [Электронный ресурс]. Режим доступа: http://www.knigamedika.ru/novoobrazovaniya-kologiya/statistika- zabolevaemosti-rakom.html -10.03.2015 (дата просмотра).

39. Шмидт, Г. Дифференциальная диагностика при ультразвуковых исследованиях / Г. Шмидт; пер. с англ. ; под общ. ред. акад РАМН, проф. В.А. Сандрикова. - М.: МЕДпресс-информ, 2014.- 816с.

40. Уэстбрук, К. Магнитно-резонансная томография : практическое руководство / К. Уэстбрук, К. Каут Рот, Д. Тэлбот ; пер. с англ.. - М.: БИНОМ. Лаборатория знаний, 2012. - 448 с.

41. Хофер, М.. Компьютерная томография: базовое руководство: пер. англ. / М. Хофер. - 3-е изд., перераб. и доп. - М.: Медицинская литература, 2011. - 232 с.

42. Прокоп, М. Спиральная и многослойная компьютерная томография: учебное пособие. В 2-х т. / М. Прокоп, М. Галански ; под общ.ред. А.В. Зубарева, Ш.Ш. Шотемор; пер. с англ. - 3-е изд. - М. : МЕДпресс-информ, 2011. - 416 с.

43. Назаренко, Г.И. Интервенционная медицина. - М.: Медицина, 2012. - 808 с.

44. Нечипай, А.М. ЭУСбука: Руководство по эндоскопической ультрасонографии / А.М. Нечипай, С.Ю. Орлов, Е.Д. Федоров. - М.: Практическая медицина, 2013. - 400 с.

45. Киршняк, А. Эндоскопическая хирургическая анатомия. Топография для лапароскопии, гастроскопии и колоноскопии / А. Киршняк, Ф. А. Грандерат, У. Древс ; пер. с нем. М. В. Дорошко. - М. : Медицинская литература, 2014. - 93 с : ил.

46. Терновой, С. К. Лучевая маммология: руководство / С. К. Терновой, А. Б. Абдураимов. - М.: ГЭОТАР-Медиа, 2007. - 128 с.

47. Практическое руководство по ультразвуковой диагностике. Общая ультразвуковая диагностика / Под ред. Митькова В.В. 2-е изд. М.: Издательский дом Видар-М, 2011. - 712 с., ил.

48. Onji, K. Quantitative analysis of colorectal lesions observed on magnified endoscopy images / K. Onji, S. Yoshida, S. Tanaka et al // J. Gastroenterol. - 2011 - №12(46). - pp.1382-1390.

49. Tschirren, J. Segmentation and quantitative analysis of intrathoracic airway trees from computed tomography images / J. Tschirren, E.A. Hoffman, G. McLennan et al // Proc. Am. Thorac. Soc. - 2005. - №2(6). - pp.484-487.

50. Крянев, А.В. Метрический анализ и обработка данных: учебное пособие / А.В. Крянев, Г.В. Лукин, Д.К. Удумян и др. — М.: ФИЗМАТЛИТ, 2012. — 308 с.

51. Кобзарь, А. И. Прикладная математическая статистика. Для инженеров и научных работников / А.И. Кобзарь - М.: ФИЗМАТЛИТ, 2006. - 816 с.

52. Эндоскопия. Базовый курс лекций: учебное пособие/ В.В. Хрячков, Ю.Н. Федосов, А.И. Давыдов и др - М.:ГЭОТАР-Медиа, 2012. - 160 с.

53. Савельев, В.С. Руководство по клинической эндоскопии / В.С. Савельев, В.М. Буянов, Г.И. Лукомский - М.: Медицина, 1985. - 544 с.

54. Пирогов, С.С. Эндоскопические методики в уточняющей диагностике и лечении больных с пищеводом Барретта: автореф. дис. .канд. мед. наук / С.С. Пирогов. -Москва, 2008. -31с.

55. Малихова, О.А. Роль новейших технологий в эндоскопической диагностике и оценке эффективности лечения лимфом желудка /О.А. Малихова, Б.К. Поддубный, Ю.П. Кувшинов, И.П. Фролова // Современная онкология. - 2011. - №3. - С.111-117.

56. Gono, K. An introduction to high-resolution endoscopy and narrowband imaging / K. Gono; In Cohen J. Editor // Advanced digestive endoscopy: comprehensive atlas of high resolution endoscopy and narrowband imaging. - Oxford, UK: Blackwell Publishing Ltd, 2007. - pp. 9-22.

57. Gheorghe, C. Narrow-Band Imaging Endoscopy for Diagnosis of Malignant and Premalignant Gastrointestinal Lesions / C Gheorghe // Journal of gastrointestinal and Liver Diseases. -2006. Vol. 15, №1. - pp. 77-82.

58. Перфильев, И.Б. Современные аспекты эндоскопической семиотики нейроэндокринных опухолей желудка / И.Б. Перфильев, В.В. Делекторская, Ю.П. Кувшинов и др. // Российский журнал гастроэнтерологии гастроэнтерологии, гепатологии, колопроктологии. - 2011. - Т.21. - №4. - С. 27-36.

59. Стрелкова, А. Н. Математическая модель восстановления эндоскопических изображений / А. Н. Стрелкова, М. И. Труфанов, А. А. Степченко // Известия вузов. Приборостроение. - 2009. - Том52, №2. - С. 70-74.

60. Дунаева, О.А. Сегментация клинических эндоскопических изображений, основанная на классификации векторных топологических признаков/О.А. Дунаева, Д.Б. Малкова, М.Л. Мячин, Х. Эдельсбруннер //Моделирование и анализ информационных систем -2013. - №6. -С.162-173.

61. Gross, S. Polyp Segmentation in NBI Colonoscopy/S. Gross M.Kennel, T. Stehle et al //Bildverarbeitung für die Medizin. -2009.-pp 252-256.

62. Батухтин, Д.М. Свидетельство о регистрации программы для ЭВМ №2015612891. Программа классификации методом многомерного статистического анализа и

сегментацииэндоскопических NBI-изображений, версия 1.0 / Д.М. Батухтин. М.:РосПатент; Заявитель и правообладатель: ФГБОУ ВПО «Поволжский государственный технологический университет». №2014663770; заявлено 29.12.2014; дата регистрации 26.02.2015.

63. Батухтин, Д.М. Свидетельство о регистрации программы для ЭВМ №2015661888. Программа предварительной обработки и сегментации эндоскопических изображений, версия 1.0. / Д.М. Батухтин. М.: РосПатент; Заявитель и правообладатель: ФГБОУ ВПО «Поволжский государственный технологический университет». №2015617144; заявлено 03.08.2015; дата регистрации 11.11.2015.

64. Lukes, P. Narrow band imaging (NBI)—endoscopic method for detection of head and neck cancer/P. Lukes, M. Zabrodsky, J. Plzak, et al.// Endoscopy. - 2013. - № 5. - pp. 75-87.

65. Nagami Y. Usefulness of Non-Magnifying Narrow-Band Imaging in Screening of Early Esophageal Squamous Cell Carcinoma: A Prospective Comparative Study Using Propensity Score Matching/ Y. Nagami, K. Tominaga, H. Machida et al // American journal of gastroenterology. - 2014. Vol. 109, №6. - pp.845-854.

66. Борисова, М.С. Рентгеновская маммография в диагностике рака молочной железы/М.С. Борисова, Н.В. Мартынова, С.Н. Богданов//Вестник РНЦР - 2013. - №13. - С.11.

67. Шах, Б.А. Лучевая диагностика заболеваний молочной железы/Б.А. Шах, Дж.М. Фундаро, С. Мандова; пер. с англ. А.А. Митрюхина. - М.: БИНОМ. Лаборатория знаний, 2013. - 312с.

68. Руководство по лучевой диагностике заболеваний молочных желез. Издание 3-е / Под ред. Г.Е. Труфанова. - СПб.: «Элби-СПб», 2014. -351с.

69. Маммология. Национальное руководство / Под ред. В. П. Харченко, Н. И. Рожковой. — М.: ГЭОТАР-Медиа, 2009. — 328 с.

70. Gold, RH. Highlights from the history of mammography. /RH Gold, LW Bassett, BE Widoff // Radiographics, - 1990. - V.10. - Р.1111-1131.

71. Бухарин, Д. Г. Ультрасонография и рентгеновская маммография в диагностике рака молочной железы, развившегося на фоне мастопатии /Д.Г. Бухарин, С. А. Величко, И. Г. Фролова, С. В. Лунева // СМЖ . - 2012. - №1. С.99-102.

72. Рожкова, Н.И. Современные технологии скрининга рака молочной железы. / Н.И. Рожкова, В.К. Боженко // Вопросы онкологии. - 2009. - Т. 55. № 4. - С.495 - 500.

73. Семиглазов, В.Ф. Стратегические и практические подходы к решению проблемы рака молочной железы. / В.Ф. Семиглазов // Вопросы онкологии. - 2012. - Т. 58. № 2. - С. 148 -151.

74. . Breast cancer screening: asummary of the evidence for the U.S. Preventive Services Task Force. / LL. Humphrey, M. Helfand, BK. Chan, SH. Woolf // Ann InternMed. - 2002. - V. 137. - pp.347-351.

75. Лучевая анатомия молочных желез и органов малого таза женщины / под ред. Т.Н.Трофимовой. - СПб.: СПбМАПО, 2009. - 144 с.

76. Цифровая маммологическая клиника / Под ред. Н. И. Рожковой, В. А. Горшкова, Н. И. Рожкова и др.— М.: СИМК, 2012.— 157 с.

77. Харченко, В.П. Клиническая маммология. Тематический сборник / В.П. Харченко, Н И. Рожкова. - М: ООО Фирма Стром - 2005. -196с.

78. Абдураимов, А. Б. Новые возможности лучевой диагностики рака молочной железы. /А.Б. Абдураимов, С.К. Терновой // Опухоли женской репродуктивной системы. - 2009. -№3. - C. 24-28.

79. Rao, VM. How widely is computer-aided detection usedin screening and diagnostic mammography? /VM. Rao, DC. Levin, L. Parker et al // J Am Coll Radiol. -2010. - V.7 -pp.802 -806.

80. Fenton, JJ. Effectiveness of computer-aided detectionin community mammography practice. /JJ. Fenton, L. Abraham, SH. Taplin et al // J Nal Cancer Inst. -2011. - V. 103. - pp.1152 -1156.

81. Система описания и обработки данных исследования молочной железы. Маммологический атлас / Под ред. В.Е. Синицина - М.: ИД «МЕДПРАКТИКА-М», 2010. -464с.

82. МРТ в маммологии : [монография] / Г. Е. Труфанов, С. В. Серебрякова, Е. А. Юхно ; Воен.-мед. акад. - Санкт-Петербург : ЭЛБИ-СПб, 2009. - 200 c.

83. Павлова, Т.В. Томосинтез в дифференциальной диагностике непальпируемых образований молочных желез: автореф. дис. .канд. мед. наук / Т.В. Павлова. -Москва, 2015. -24с.

84. Троицкий, И.Н. Статистическая теория томографии / И.Н. Троицкий. - М.: Радио и связь, 2003.-240 с.

85. Левин, Г.Г. Оптическая томография / Г.Г Левин, Г. Н. Вишняков — М.: Радио и связь, 1989. — 224 с.

86. Хорнак, Дж.П. Основы МРТ: Магнитно-резонансная томография: [Электронный ресурс] / Дж.П. Хорнак - Электрон.ст. - Режим доступа к ст.: http://www.cis.rit.edu/htbooks/mri/inside-r.htm - 10.03.2015 (дата просмотра).

87. Розенштраух, Л.С. Невидимое стало зримым (успехи и проблемы лучевой диагностики) / Л.С. Розенштраух.- М.: Знание, 2007.- 64 с.

88. Терещенко, С.А. Методы вычислительной томографии / С.А. Терещенко. - М.: Физматлит, 2004. - 319с.

89. Грузман, И.С. Математические задачи компьютерной томографии / И.С. Грузман // Соросовский образовательный журнал - 2001. - №5. - С. 117-121.

90. Реконструкция изображений: пер. с англ. / Под ред. Г. Старка. М.: Мир, 1958.-632

с.

91. Ukimura, O. Image-fusion, augmented reality, and predictive surgical navigation / O. Ukimura, IS. Gill // The Urologic clinics of North America. - 2009 - vol. 36, № 2. - pp.115-123.

92. Marescaux, J. Augmented Reality and Minimally Invasive Surgery / J. Marescaux, M. Diana, L. Soler // Gastroenterology and Hepatology Research. - 2013. - vol. 2, № 5 - pp. 555-560.

93. Rassweiler, J. Surgical navigation in urology. European perspective / J. Rassweiler, M. Rassweiler, M. Müller et al // Current Opinion in Urology. - 2014. - vol. 24, № 1. - pp. 81-97.

94. Teber, D. Augmented reality: a new tool to improve surgical accuracy during laparoscopic partial nephrectomy? Preliminary in vitro and in vivo results / D. Teber, S. Guven, T. Simpfendörfer et al // European Urology. - 2009. - vol. 56, №2. - pp. 332-338.

95. Rosset, A. OsiriX: An Open-Source Software for Navigating in Multidimensional DICOM Images /A. Rosset, L. Spadola, O. Ratib // J Dgit Imaging. - 2004.- №3(17). - pp.205-216.

96. Mandel, M. 3D Preoperative Planning in the ER with OsiriX®: When There is No Time for Neuronavigation /M. Mandel, R. Amorim, W. Paiva et al // Sensors (Basel). - 2013. - №5(13). -pp.6477-6491.

97. Nakamoto, M. Current progress on augmented reality visualization in endoscopic surgery / M. Nakamoto, O. Ukimura, K. Faber, IS. Gill // Current Opinion in Urology. - 2012. - vol. 22, № 2, pp. 121-126.

98. Insight Segmentation and Registration Toolkit (ITK): [Электронныйресурс] / Insight Segmentation and Registration Toolkit (ITK) - Электрон. ст. - Режимдоступакст.:http://itk.org/. -15.05.2015 (датапросмотра).

99. Фурман, Я.А. Методы и средства обработки комплекснозначных и гиперкомплексных сигналов. Компьютеризированный курс: учебное пособие / Я.А. Фурман, Д.Г. Хафизов. - Йошкар-Ола: Марийский государственный технический университет; 2011. -388 с.

100. Furman, Y.A. Spectral analysis and filtering of closed polygonal contours of images / Y.A. Furman, W.W. Janshin // Pattern recognition and image analysis. - 1992. - V.2, №3 - pp.306318.

101. Севастьянов, В.В. Фильтрация ритмов ЭЭГ методами контурного анализа /В.В. Севастьянов, К.О. Иванов // Труды поволжского государственного технологического университета. - 2013 - С. 105-112.

102. Батухтин, Д.М. Классификация объектов по их форме на маммографических изображениях методами контурного анализа /Е.А. Романычева, Д.М. Батухтин, В.В. Севастьянов и др. // Вестник поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. - 2014. - №4(23). - С.58-74.

103. Furman, Ya.A. Extraction and Linear Filtering of Closed Polygonal Contours of Images/Ya. A. Furman, V.V. Yanshin // Pattern Recognition and Image Analysis. - 1994 - Vol.4, №2 - pp.146-166.

104. Бакут, П. А. Сегментация изображений: методы пороговой обработки / П.А. Бакут, Г.С. Колмогоров, И.Э. Ворновицкий // Зарубежная радиоэлектроника. - 1987. - №10. -С.6-24.

105. Бакут, П.А. Сегментация изображений: методы выделения границ областей / П.А. Бакут, Г.С. Колмогоров // Зарубежная радиоэлектроника. - 1987. - №10. - С. 25-47.

106. Фурман, Я.А. Выделение контуров изображений с протяженными прямолинейными границами/Я.А. Фурман, Егошина И.Л.// Тез.докл. НТК РОАИ 4 - 98. -Новосибирск, 1998. - Ч. 1. - С. 76-80.

107. Батухтин Д.М. Выделение оболочки органа на примере почки /Д.М. Батухтин, Д.Ф. Яппаров // Труды Поволжского государственного технологического университета. -Йошкар-Ола, 2014. - С.73-78.

108. Введение в цифровую фильтрацию / Под ред. Р. Богнера и А. Константинидиса; Пер.с англ. - М.:Мир, 1976. - 216с.

109. Баскаков, С.И. Радиотехнические цепи и сигналы : учебник для вузов / С. И. Баскаков - 5-е изд., стер. - М. : Высш. шк., 2005. - 462 с.

110. Лезин, Ю.С. Оптимальные фильтры и накопители сигналов / Ю.С. Лезин - М: Советское радио, 1969. - 448с.

111. Coia, LR. Swallowing function in patients' with esophageal cancer treated with coucurrent radiation and chemotherapy/ LR Coia, EM Soffen, TE. Shultheiss et al // Cancer. - 1993; -Vol. 71. - pp.281-286.

112. Соколов, В.В. Эндоскопическое лечение при раке пищевода / В.В. Соколов, Е.В. Филоненко, Е.С. Карпова и др. //Сибирский онкологический журнал. - 2003. - № 5. -С. 15-17.

113. Sharma, P. The utility of a novel narrow band imaging endoscopy system in patients with Barrett's esophagus /P. Sharma, A. Bansal, S. Mathur et al.// Gastrointest. Endosc. - 2006. - Vol. 64. - №2. - pp.167 - 175.

114. Raftopoulos, SC. Gastric intraepithelial neoplasia in a Western population /SC. Raftopoulos, P. Kumarasinghe, B. de Boer et al // Eur J Gastroenterol Hepatol. -2012. - №24(l). - pp. 48-54.

115. Креймер, В. Д. Атрофический гастрит как предраковое состояние желудка: новый взгляд на старую проблему / В. Д. Креймер // Клиническая медицина. -2011. - Т.89. №1. - С.34-37.

116. Аксель, Е.М. Состояние онкологической помощи населению России и стран СНГ в 2004г. / Е.М. Аксель // Вестник РОНЦ им. Блохина. -2006.-Т.17, №3, прил.1. - С.11-44.

117. Чиссов, В.И. Состояние онкологической помощи населению России в 2008 году / В.И. Чиссов, В В. Старинский, Г.В. Петрова. - М.: МНИОИ им.П.А. Герцена, 2009. - 256 с.

118. Allum, W.H. Guidelines for the management of oesophageal and gastric cancer /W.H. Allum, S.M. Griffin, A. Watson et al // Gut. - 2002. - Vol. 50. - Suppl. 5. - pp. 1-23.

119. Батухтин, Д.М. Анализ узкоспектральных эндоскопических изображений на внутренней поверхности пищевода / Д.М. Батухтин, Е.В. Пеганова, Н.Н. Митракова и др.// Вестник поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. - 2014. №4(23). - С.45-57.

120. Poon S. Trends in partial and radical nephrectomy: an analysis of case logs from certifying urologists /S. Poon, J. Silberstein, L. Chen et al // The Journal of Urology. - 2013. -vol. 190, №. 2. - pp. 464-469.

121. Soler, L. Patient-specific surgical simulation / L. Soler, J. Marescaux // World Journal of Surgery. - 2008. - vol. 32, № 2. - pp. 208-212.

122. Silberstein, J. Physical models of renal malignancies using standart cross-sectional imaging and 3Dimentional printers: a pilot study / J. Silberstein, M. Maddox, P. Dorsey et al // Urology. - 2014. -vol. 84, № 2. - pp. 268-273.

123. Sugimoto, М. Image overlay navigation by markerless surface registration in gastrointestinal, hepatobiliary and pancreatic surgery / M. Sugimoto, H. Yasuda, K. Koda et al // Journal of Hepato-Biliary-Pancreatic Sciences. - 2010.- vol. 17, № 5. - pp. 629-639.

124. Hughes-Hallet, A. Image guidance for all-TilePro display of 3-dimensionally reconstructed images in robotic parcial nephrectomy REPLY / A. Hughes-Hallet, P. Pratt, S. Mayer et al // Urology. - 2014. - vol. 84, № 1. - pp. 237-243.

125. Lasser, M.S. Virtual surgical planning: a novel aid to robot-assisted laparoscopic partial nephrectomy / M.S. Lasser, M. Doscher, A. Keehn et al // Journal of Endourology. - 2012. -vol. 26, № 10. - pp. 1372-1379.

126. Hosein, A. Novel multi-dimensional modelling for surgical planning of acute aortic dissection type A based on computed tomography scan /A. Hosein, S. Gelsomino, B. Mochtar et al // Eur. J. Cardiothorac. Surg. - 2015. - sept.2. - pp. 1-7.

127. Haochine, N. Impact of Soft Tissue Heterogeneity on Augmented Reality for Liver Surgery /N. Haochine, S. Cotin, I. Peterlik et al // IEEE Trans Vis Comput Graph. - 2015. - №21(5). -pp. 584-597.

128. Shuhaiber, JH. Augmented reality in surgery /JH. Shuhaiber// Archives of Surgery. -2004. - vol. 139, № 2. - pp. 170-174.

129. Nicolau, S. Augmented reality in laparoscopic surgical oncology / S. Nicolau, L. Soler,

D. Mutter, J. Marescaux // Surgical Oncology. - 2011. - vol. 20, №3. - pp. 189-201.

130. Hughes-Hallet, A. Augmented reality partial nephrectomy: examining the current status and future perspectives / A. Hughes-Hallet, E. Mayer, H. Marcus et al // Urology. - vol. 83, №2. - pp. 266-273.

131. Okamoto, T. Utility of augmented reality system in hepatobiliary surgery / T. Okamoto, S. Onda, M. Matsumoto et al // J Hepatobiliary Pancreat Sci. - 2012. - Vol. 20. - pp. 249-253.

132. Marescaux, J. Augmented-reality-assisted laparoscopic adrenalectomy / J. Marescaux, F. Rubino, M. Arenas et al // JAMA. - 2004. - vol. 292, № 18. - pp. 2214-2215.

133. Volonte, F. Augmented reality to the rescue of the minimally invasive surgeon. The usefulness of the interposition of stereoscopic images in the Da VinciTM robotic concole / F. Volonte, N. Buch // The International Journal of Medical Robotics. - 2013. - vol. 9, № 3, pp 34-38.

134. Marcus, HJ. Comparative effectiveness and safety of image guidance systems in surgery: a preclinical randomised study /HJ. Marcus, P. Pratt, A. Hughes-Hallet et al // Lancet. - 2015. - V. 385. - pp.64.

135. Benckert, C. The Surgeon's Contribution to Image-Guided Oncology / C. Benckert, C. Bruns // Viszeralmedizin. - 2014. - №30(4). - pp.232-236.

136. Raftopoulos, S. C.. Gastric intraepithelial neoplasia in a Western population / S. C. Raftopoulos, P. Kumarasinghe, B. de Boer et al // Eur J Gastroenterol Hepatol. - 2012. - 24(l). -pp. 48-54.

137. Степанов, Ю.М.Повышение информативности эндоскопической диагностики предраковых изменений и рака желудка у больных с атрофическим гастритом / Ю.М.Степанов,

E.В. Симонова// Гастроэнтерология - 2013.-№4 (50). -С. 23-33.

138. Поддубный, Б.К. Современные эндоскопические методики диагностики и лечения предопухолевой патологии и раннего рака желудка / Б.К. Поддубный, Ю.П. Кувшинов, С.В. Кашин // Российский журнал гастро- энтерол., гепатологии, колопроктологии. — 2002. — Т. 12, № 3. -С. 52-55.

139. Батухтин, Д.М. Автоматизированная система сегментации узкоспектральных изображений для оптимизации эндоскопической диагностике патологии пищевода / Д.М. Батухтин, Е.В. Пеганова, Н.Н. Митракова// Экспериментальная и клиническая гастроэнтерология. - 2014. - №3(103). - С.32-37.

140. Батухтин, Д.М., Фурман Я.А., Пеганова Е.В., Митракова Н.Н., Методы многомерного статистического анализа в оценке степени поражения тканей по эндоскопическимКЫ-изображениям / Д.М. Батухтин, Я.А. Фурман, Е.В. Пеганова., Н.Н. Митракова,// Системный анализ и управление в биомедицинских системах. - 2014. - №4(13). -С.903-910.

141. Калинина, В.Н. Введение в многомерный статистический анализ: Учебное пособие / В.Н.Калинина, В.И. Соловьев. - ГУУ. - М.:2003. - 66с.

142. Иванов, К. О. Программное обеспечение для помехоустойчивой оцифровки ЭЭГ, записанных на бумажных носителях / К.О. Иванов, В. В. Севастьянов, Я. А. Фурман // Медицинская техника. - 2015. - Т. 1. - С. 30-32.

143. Севастьянов В. В. Комбинированный подход к анализу изображений аналоговых электроэнцефалограмм с целью получения цифровых дискретных отсчетов / В. В. Севастьянов, К. О. Иванов // Вестник Поволжского государственного технологического университета. Сер.: Радиотехнические и инфокоммуникационные системы. - 2014. - №2(21). - С. 55-66.

144. Хафизов, Р.Г. Обработка цветных медицинских изображений: учебное пособие / Р.Г. Хафизов. - Йошкар-Ола: Поволжский государственный технологический университет, 2012. - 100с.

145. Фукунага, К. Введение в статистическую теорию распознавания образов / К. Фукунага. - М.: Наука, 1979. - 368 с.

146. Розенфельд, А. Распознавание и обработка изображений / пер. с англ. под ред. Л.С. Лебедева. - М.:Мир, 1972. - 232с.

147. Монич, Ю.И. Преобразование цветных изображений на базе технологии Ретинекс / Ю.И. Монич, В.В. Старовойтов // Искусственный интеллект. - 2007. - №3, С.256-261.

148. Фурман, Я.А. Согласованная фильтрация контуров изображений /Я.А. Фурман// Радиотехника - 1995. - №6. - С.30-33.

149. Фурман, Я.А. Согласованные контурные фильтры / Я.А. Фурман, И.Л. Егошина // Радиотехника. - 1998. - №7. - С.33-39.

150. Furman, Ya.A. Distinguishing the Contours of Images with Extended Rectilinear Boundaries / Ya.A. Furman, I.L. Egoshina // Pattern Recogn. and Image Analysis. - 1999. - vol. 9, № 2. - pp. 251-253.

151. Реконструкция и преобразование Радона (filtered back projection): [Электронный ресурс] / Электрон.ст. - Режим доступа к ст.: http://med-pages.ru/medical_imaging/x-ray_computed_tomography/. - 06.06.2015 (дата обращения).

152. Гельфанд, И.М. Интегральная геометрия и связанные с ней вопросы теории представлений: монография / И.М. Гельфанд, М.И. Граев, Н.Я. Виленкин. - М.: Физматгиз, 1962. - 656с.

153. Прэтт, У.К. Цифровая обработка изображений: в 2 кн./У.К.Прэтт. -М.:Мир,1982. -

312с.

154. Гонсалес, Р. Цифровая обработка изображений/ Р. Гонсалес, Р. Вудс. -М.: Техносфера, 2005.-1072с.

155. Сойфер, В.А. Методы компьютерной обработки изображений / под.ред. В.А. Сойфера. 2-е изд., испр. - М.: ФИЗМАТГИЗ, 2003. -784с.

156. Козлов, Д., Турлапов, В. Нижегородский Государственный Университет. Алгоритм восстановления поверхности из облака точек на графическом процессоре. [Электронный ресурс] / Электрон.ст. - Режим доступа к ст.: http://www.graphicon.ru/proceedings/2010/conference/RU/Se5/44.pdf. - 03.04.2014 (дата обращения).

157. Бугров, Н.В., Обзор алгоритмов триангуляции неявно заданной поверхности / Н.В. Бугров, В.И. Голубев, А.Ю. Дижевский и др.// Труды Международной научной конференции MEDIAS2012, 7-14 мая 2012 г., Лимассол, Республика Кипр: Изд.ИФТИ. - С.151-173.

158. Тихонов В.И. Статистическая радиотехника / В.И. Тихонов; 2-е изд., перераб. и доп. - М.: Радио и связь, 1982. - 624 с.

159. Левин, Б.Р. Теоретические основы статистической радиотехники / Б.Р. Левин -М.: Радио и связь, 1989. - 656 с.

160. Крамер, Г. Математические методы статистики / Пер. с англ. под ред. акад. Колмогорова / М.: Мир, 1975 г. - 648с.

161. Чернухин, Н.А. Математические и программные средства обработки рентгенографических медицинских изображений: дисс. ... канд. техн. наук / Н.А. Чернухин -Ростов-на-Дону, 2014. - 172 с.

162. Ворожцов, Д.М. Синтез и анализ нейросетевой системы обнаружения 3D изображений объектов рентгеновской томографии: дис. .канд. техн. наук/Д.М. Ворожцов. -Йошкар-Ола, 2006. -154с.

163. Чистов, К.С Методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов: автореф. дис. ... канд. техн. наук / К.С. Чистов. - М.: МИФИ, 2007. -23с.

164. Казначеева, А.О. Разработка методов и средств шумоподавления в томографии: автореф. дисс. ... канд. техн. наук / А.О. Казначеева. - СПб, 2006. - 19с.

165. Адрианов, Д.Е. Система ввода, хранения, обработки и анализа ультразвуковых изображений: автореф. дис. . канд. техн. наук / Д.Е. Адрианов: - Владимир: Владимирский государственный университет, 1999. -16с.

166. Фишер, У. Маммография: 100 клинических случаев / У. Фишер, Ф. Баум; пер. с англ. В.А. Климова; Под общ.ред. проф. Н.В. Заболотской. - М.: МЕДпресс-информ. -2009. -368с.

167. Труфанов, Г. Е. УЗИ с эластографией в маммологии / Г.Е. Труфанов, В. В. Рязанов, Л. И. Иванова - ЭЛБИ-СПб - Москва, 2013. - 256 c.

168. Календер, В. Компьютерная томография. Основы, техника, качество изображения и области клинического использования: монография / В.Календер. - М.: Техносфера, 2006. -344с.

169. Наттерер, Ф. Математические аспекты компьютерной томографии: Пер. с англ.: монография / Ф.Наттерер. - М.:Мир, 1990. - 288с.

170. Хермен, Г. Восстановление изображений по проекциям: основы реконструктивной томографии: Пер. с англ.: монография / Г. Хермен. - М.:Мир,1983. - 349с.

171. Кармазановский, Г.Г. Эффективное применение рентгеноконтрастных средств в урологии и нефрологии / Г.Г. Кармазановский - М.: ВИДАР, 2014 - 96 с.

172. Филонин, О.В. Общий курс компьютерной томографии / О.В. Филонин. -Самара:Самарский научный центр РАН, 2012. - 407с.

173. Урология / С.Х. Аль-Шукри, Р.Э. Амдий, Ю.А. Бобков и др.; Под ред. С.Х. Аль-Шукри и В.Н. Ткачука. - М.:Издательский центр «Академия», 2005. - 448с.

174. Аппаратно-программный комплекс для определения мест установки троакаров при лапароскопических операциях // Патент Российской Федерации на полезную модель №127615, РОСПАТЕНТ, 2013./ В.Н. Дубровин, В.И. Баширов, Я.А. Фурман, А.А. Роженцов, А.А. Кудрявцев, Р.В. Ерусланов, А.А. Баев, И.Л. Назаров.

175. Селектор3D - Программа различения неупорядоченных групповых точечных объектов в режиме селекции зашумленной отметки цели в математическом 3D стробе, версия 1.0. Свидетельство о государственной регистрации программы для ЭВМ №2014619099. РОСПАТЕНТ, 09.09.2014./ Я. А. Фурман, Р. В. Ерусланов, К. О. Иванов.

176. TpacOTpoBKa2D - Программа для получения цифровых дискретных отсчетов графиков электроэнцефалограмм по их зашумленным растровым изображениям, полученным с бумажных носителей, версия 1.0. Свидетельство о государственной регистрации программы для ЭВМ №2014619523. РОСПАТЕНТ, 17.09.2014./ К.О. Иванов.

177. Программа для количественной оценки формы контуров объектов маммографического изображения, версия 1.0. Свидетельство о государственной регистрации программы для ЭВМ №2015612821.РОСПАТЕНТ, 26.02.2015./ Д.М. Батухтин, К.О. Иванов, Е.А. Романычева, В.В. Севастьянов, Я.А. Фурман, Р.В. Ерусланов.

178. Программа для сегментации объектов маммографического рентгеновского изображения с минимальным искажением их формы, Версия 1.0. Свидетельство о государственной регистрации программы для ЭВМ №2015612897. РОСПАТЕНТ, 26.02.2015./ Д.М. Батухтин, К.О. Иванов, Е.А. Романычева, В.В. Севастьянов, Я.А. Фурман, Р.В. Ерусланов.

179. Свидетельство о госрегистации (почка)

180. Ефимов, Н.В. Линейная алгебра и многомерная геометрия / Н.В. Ефимов, Э.Р. Розендорн - М.: Наука, 1974. - 544 с.

181. Фурман, Я.А. О двух замечательных видах замкнутых контуров изображений / Я.А. Фурман // Радиотехника и электроника. - 1993. - Т.38. №6. - с.1054-1061.

182. Рабинер, Л., Гоулд Б. Теория и применение цифровой обработки сигналов: Пер. с англ. / Л. Рабинер, Б. Гоулд - М.: Мир, 1978. - 848 с.

183. Батухтин, Д.М. Система автоматизированной диагностики новообразований на эндоскопических изображениях / Д.М. Батухтин // Научному прогрессу - творчество молодых: Материалы X международной молодежной научной конференции по естественно-науным и техническим дисциплинам(Йошкар-Ола, 17-18 апреля 2015 года). Часть 2. - Йошкар-Ола: Поволжский государственный технологический университет, 2015. - С. 6-8.

184. Кононов, Н.К. Разработка методов получения и цифровой обработки рентгеновских изображений: автореф. дис. ... канд. физико-математ. наук / Н.К. Кононов. - М.: РАН Институт ядерных исследований, 2006. -27 с.

185. Хрулев, А.А. Биотехническая система автоматизированных дерматоглифических исследований наследственной предрасположенности к шизофрении: автореф. дис. . канд. техн. наук/А.А. Хрулев: - М.: МГТУ им. Баумана, 2007. -16с.

186. Дубровин, В. Н. Первый опыт применения технологии дополненной реальности на основе 3d-моделирования для интраоперационной навигации при лапароскопической резекции почки / В. Н. Дубровин, Фурман, Я. А.и др. // Медицинский альманах . -2015. - №2 (37). - С.45-47.

187. Дубровин, В. H. Лапароскопическая хирургия в лечении опухолей почек и надпочечников / В. H. Дубровин, A. В. Хабаков, В. И. Баширов и др. // Mедицинский вестник Башкортостана. - 2011. - №2. - С.167-1б8.

188. Хафизов, Р. Г. 1ехнология информационной поддержки хирурга при выполнении трансуретральной резекции предстательной железы / Р. Г. Хафизов, Ю. Е. Гарипова, // Современные наукоемкие технологии. -2009. - №12. - С.24-25.

189. Роженцов, A. A. Разработка методики комплексирования изображений в системе интраоперационной навигации / A. A. Роженцов, B.H. Дубровин, Д. С. Чернышев, A. В. Егошин // Вестник Поволжского государственного технологического университета. Сер.: Радиотехнические и инфокоммуникационные системы. - 2015. - № 1 (25). - С. 22-40.

190. Сапин, M.P. Aнатомия человека / M.P. Сапин, З.Г. Брыскина - M.: Просвещение, 1995. - 464с.

191. Гастроинтестинальный видеоскоп GIF-H180: [Электронный ресурс] / Электрон.ст. - Б.м., Б.г. - Режим доступа к ст.: http://www.olympus.co.ru/med/endo/gastr/gif-h180.html

192. Land E.H., The Retinex /E.H. Land// American Scientist. - 19б4. vol.52, no.2. -pp.247-264, 19б4.

193. Хелгасон, С. Преобразование Радона: Пер. с англ.: монография / С. Хелгасон. -M.:M^, 1983. - 152с.

194. Kazhdan, M., Bolitho, M., Hoppe, H. 2006. Poisson surface reconstruction. Symposium on Geometry processing, б1 -70.

195. 3D Reconstruction: Techniques, Analysis and New Developments / Editing by J. Weber. - New York.: Nova Publishers, 2016. - P.165

196. Свидетельство о регистрации программы для ЭBM №2015660462. Программа построения виртуальной 3D модели органа пациента по результатам сегментации томографических снимков «Volga-M», версия 1.0 / ДМ. Батухтин, B.H. Дубровин, A.B. Егошин, ЯА. Фурман, A.A. Роженцов, Р.В. Ерусланов. M.: РосПатент; Заявитель и правообладатель: ФГБОУ ВПО «Поволжский государственный технологический университет». №2015617151; заявлено 04.08.2015; дата регистрации 01.10.2015.