Алгоритмы распознавания гистологических и эндоскопических изображений для систем прикладного телевидения в медицине тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат наук Степанова Ольга Анатольевна

• Степанова Ольга Анатольевна
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Степанова Ольга Анатольевна

ВВЕДЕНИЕ

ГЛАВА 1. ТЕКУЩЕЕ СОСТОЯНИЕ ОБЛАСТИ ИССЛЕДОВАНИЙ

1.1 Вводные замечания

1.2 Искусственный интеллект в медицине

1.3 Нейронные сети как инструмент глубокого обучения

1.4 Сверточные нейронные сети в задаче распознавания лиц и эмоций

1.5 Автоматический анализ медицинских изображений

1.5.1 Сегментация гистологических изображений

1.5.2 Анализ эндоскопических изображений

1.6 Краткие выводы

ГЛАВА 2. РАЗРАБОТКА И АНАЛИЗ АЛГОРИТМА СЕГМЕНТАЦИИ ГИСТОЛОГИЧЕСКИХ ИЗОБРАЖЕНИЙ

2.1 Вводные замечания

2.2 База гистологических изображений

2.2.1 Особенности создания эталонной разметки экспертом

2.3 Разработка алгоритмов автоматической сегментации гистологических изображений

2.3.1 Алгоритм сегментации на основе нейронной сети А1ех№1

2.3.2 Быстрый алгоритм сегментации на основе нейронной сети Ц-№1

2.3.3 Морфологический фильтр

2.4 Оценка результатов сегментации ядер клеток на гистологических изображениях

2.4.1 Сравнение результатов сегментации гистологических изображений на выходе Алгоритма 1 и Алгоритма

2.4.2 Применение морфологической фильтрации в качестве средства дополнительной обработки

2.5 Краткие выводы

ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМА ДЕТЕКТИРОВАНИЯ ПАТОЛОГИЙ НА ЭНДОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЯХ

3.1. Вводные замечания

3.2 База эндоскопических изображений желудка

3.3 Разработка алгоритма классификации эндоскопических изображений желудка

3.3.1. Архитектура и обучение сверточной нейронной сети

3.4 Тестирование алгоритма

3.4.1 Тестирование на базе эндоскопических изображений

3.4.2 Тестирование алгоритма на видеоданных, полученных с эндоскопа

3.5 Краткие выводы

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

ПРИЛОЖЕНИЕ А. Акты внедрения, свидетельства, диплом

Введение диссертации (часть автореферата) на тему «Алгоритмы распознавания гистологических и эндоскопических изображений для систем прикладного телевидения в медицине»

ВВЕДЕНИЕ

Актуальность темы. Цифровая обработка изображений - интенсивно развивающаяся область науки, посвященная автоматической обработке и интерпретации визуальной информации. Данная область играет все более важную роль во многих аспектах повседневной жизни, а также в самых различных дисциплинах и областях науки и техники, таких как прикладное телевидение, фотометрия, системы технического зрения роботов, дистанционное зондирование Земли, медицинская и промышленная диагностика [1-7, 10, 16-19].

На сегодняшний день в области медицины и здравоохранения накоплены огромные объемы информации, значительную долю которой составляют изображения, получаемые в медицинских телевизионных системах, - данные УЗИ, рентгенограммы, видеозаписи эндоскопических исследований, изображения гистологических препаратов и др. [24, 25, 53]. Вместе с постоянным увеличением количества медицинской информации появляются новые перспективные подходы и технологии, позволяющие проводить анализ и обработку накопленных данных. С развитием техники все более реальным становится использование достижений цифровой обработки изображений в системах прикладного телевидения в медицине [8, 10-13, 16, 20-22, 24, 25]. В настоящее время исследователи из многих стран занимаются разработкой методов и подходов к автоматизации диагностики различных заболеваний, однако, стоит отметить, что в данной сфере традиционно наблюдается более медленное внедрение инновационных продуктов и технологий по сравнению с другими, менее консервативными сферами [23, 27].

Одним из факторов, оказывающих существенное влияние на разработку алгоритмов анализа медицинских изображений, является нормативно-правовое регулирование данной отрасли. К примеру, в Российской Федерации ст. 23, 24 Конституции РФ охраняют право на сохранение в секрете личной и семейной информации [40]. Кроме того,

согласно федеральному закону №323-ФЗ от 21.11.2011 года существуют ограничения на обработку и передачу медицинской информации о пациенте, являющейся медицинской тайной [39]. Данные ограничения значительно затрудняют сбор баз данных медицинских изображений, требуемых для обучения, тестирования и оптимизации алгоритмов технического зрения.

Помимо нормативно-правового регулирования, исследователи в области автоматического анализа изображений в медицинских телевизионных системах сталкиваются с необходимостью организации коллективной работы со штатом медицинских экспертов. Дело в том, что, к примеру, при решении задачи распознавания лиц в системах охранного телевидения исследователь может самостоятельно оценить качество работы алгоритма или, например, выделить признаки, вносящие наибольший вклад в разделение требуемых классов. При работе с медицинскими изображениями, напротив, зачастую невозможно даже при наличии у эксперта основ медицинской подготовки верно оценить содержание снимка и установить или верифицировать диагноз пациента [24, 27, 53].

Тем не менее, область медицины и здравоохранения считается одной из стратегических и перспективных с точки зрения эффективного внедрения достижений цифровой обработки изображений в медицинские телевизионные системы с целью частичной или полной автоматизации медицинской диагностики. Это позволит снизить нагрузку на медицинский персонал, сделать медицинские исследования более доступными для пациента и, самое главное, повысить качество диагностики различных заболеваний [26, 46-49].

Входной информацией в системах прикладного телевидения в медицине служат визуальные данные, представленные в различных форматах. В данной работе рассматриваются алгоритмы анализа статических и динамических медицинских изображений в гистологических и эндоскопических исследованиях.

Анализ научно-технической литературы показыевает, что на сегодняшний день наиболее эффективным подходом к автоматическому анализу медицинских изображений является использование сверточных нейронных сетей и глубокого обучения [29-33, 91-93, 103]. Особенность данного подхода заключается в том, что признаки (дескрипторы) изображений в таких сетях формируются не самим исследователем, а за счет операции двумерной свертки, при этом используемые фильтры, являющиеся основой сверточных нейронных сетей, формируются в процессе обучения. Сгенерированные таким образом дескрипторы дают, как правило, лучшие результаты в задачах сегментации, распознавания и детектирования объектов на цифровых изображениях [31, 43, 44].

Важнейший вклад в развитие области обработки визуальной информации и распознавания образов внесли отечественные ученые Ю.Б. Зубарев, В.П. Дворкович, А.В. Дворкович, А.И. Галушкин, Ю.И. Журавлев, В.А. Сойфер, Ю.В. Визильтер, А.С. Крылов, М.К. Чобану, М.Н. Фаворская, Ю.С. Радченко, Н.А. Обухова, Е.В. Медведева, А.Л. Приоров, С.С. Садыков и др. Важнейшие результаты в области применения нейронных сетей для анализа гистологических и эндоскопических изображений получены исследователями T. Ito, R. Haidry, M. Everson, M. Hafner, С.В. Кашиным, Р.О. Куваевым, Д.М. Батухтиным и др.

Таким образом, на текущем этапе развития прикладного телевидения в медицине представляет интерес создание систем анализа медицинских изображений с использованием методов нейросетевой обработки. Разработке алгоритмов и анализу применения сверточных нейронных сетей для обработки гистологических и эндоскопических изображений и видеопоследовательностей и посвящена настоящая работа.

Целью работы является повышение качества диагностики онкологических заболеваний путем разработки алгоритмов анализа изображений гистологических препаратов и эндоскопических видеоизображений слизистой оболочки желудка.

Для достижения указанной цели в диссертационной работе решаются следующие задачи:

- разработка алгоритмов сегментации изображений гистологических препаратов;

- разработка алгоритма детектирования патологий на эндоскопических изображениях слизистой оболочки желудка;

- исследование влияния постобработки изображений на качество работы предложенных алгоритмов;

- расширение приложений практической применимости предложенных алгоритмов обработки медицинских телевизионных изображений. Методы исследования. При решении поставленных задач

использовались современные методы цифровой обработки изображений, распознавания образов, теории нейронных сетей, систем прикладного телевидения и глубокого обучения. Для практической реализации алгоритмов применялись современные методы программирования и компьютерного моделирования на языке Python.

Объектом исследования являются медицинские диагностические изображения, получаемые в системах прикладного телевидения при проведении гистологических и эндоскопических исследований.

Предметом исследования является разработка, модификация и оптимизация алгоритмов цифровой обработки медицинских изображений, применяемых для сегментации и детектирования объектов в системах прикладного телевидения.

Научная новизна. В рамках диссертационной работы получены следующие результаты, обладающие научной новизной:

1. Алгоритм сегментации изображений оцифрованных гистологических препаратов на основе сверточной нейронной сети, обеспечивающий сегментацию гистологического изображения в режиме реального времени.

2. Использование морфологической фильтрации в качестве средства постобработки на выходе нейросетевого алгоритма сегментации гистологических изображений.

3. Алгоритм детектирования патологий на эндоскопических изображениях слизистой оболочки желудка на основе сверточной нейронной сети.

4. Модифицированный алгоритм детектирования патологий на эндоскопических видеоизображениях, работающий в режиме реального времени.

Практическая значимость

1. Значение коэффициента Сёренсена для разработанного алгоритма сегментации гистологических изображений составляет в среднем 0,62, что позволяет рекомендовать данный алгоритм для использования в системах телевизионной микроскопии в качестве вспомогательного средства при оценке различных цитологических и гистологических свойств ткани.

2. Установлено, что предложенный морфологический фильтр может использоваться как средство постобработки изображений гистологических препаратов, при этом качество сегментации на выходе алгоритма повышается в среднем до 0,74 согласно коэффициенту Сёренсена.

3. Разработанный алгоритм детектирования патологий на эндоскопических изображениях желудка позволяет выделять патологии двух классов в видеопотоке с эндоскопа в режиме реального времени. При этом значение меры Жаккара составляет в среднем 0,69. Разработанный алгоритм может быть использован в эндоскопических системах для частичной автоматизации диагностики, а также для контроля, обучения и подготовки врачей-эндоскопистов.

Результаты работы внедрены в клиническую практику Ярославской областной онкологической больницы и в новые разработки ООО «Точка зрения» (г. Ярославль), ООО «НПП САТЭК плюс» (г. Рыбинск).

Отдельные результаты диссертационной работы внедрены в учебный процесс ЯрГУ им. П.Г. Демидова в рамках дисциплин «Актуальные вопросы цифровой обработки сигналов» и «Основы телевидения и видеотехники», а также в научно-исследовательские работы при выполнении исследований в рамках гранта РФФИ № 15-07-08674 А, а также гранта победителя программы "Участник молодежного научно-инновационного конкурса" ("УМНИК"), договоры с Фондом содействия развитию малых форм предприятий в научно-технической сфере № 508ГУ1/2013 от 15.11.2013 и № 6472ГУ2/2015 от 30.06.2015.

Получены три свидетельства о государственной регистрации программ для ЭВМ (№ 2017615231, № 2018660495, № 2019611987).

Достоверность материалов диссертационной работы обеспечивается корректным использованием математического аппарата и полученными экспериментальными данными, подтверждающими теоретические гипотезы и согласующимися с результатами, известными из научно-технических источников.

Апробация работы. Результаты работы обсуждались на следующих научно-технических семинарах и конференциях:

1. Восемнадцатая - двадцать первая международные конференции «Цифровая обработка сигналов и ее применение», Москва, 2016 - 2019.

2. Восемнадцатая и девятнадцатая международные конференции «Высокие технологии в эндоскопии пищеварительной системы - Yaroslavl Endoscopy Symposium (YES)», Ярославль, 2018 - 2019.

3. Семнадцатая конференция Ассоциации открытых инноваций FRUCT - 2015, Ярославль, 2015.

4. Научно-техническая конференция «Техническое зрение в системах управления 2018», Москва, 2018.

5. Пятнадцатая международная конференция «Телевидение: передача и обработка изображений», Санкт-Петербург, 2018.

6. Первая всероссийская конференция «Современные технологии обработки сигналов», Москва, 2018.

7. Международная научно-практическая конференция ICIT-2019 «Информационно-коммуникационные технологии в науке и производстве», Саратов, 2019.

8. Восьмая международная конференция ICFIT 2019 (International Conference on Frontiers of Information Technology), Франция, Ницца, 2019.

9. Ярославские областные конференции молодых ученых и аспирантов. Публикации. По теме диссертации опубликовано 22 научные работы,

из них 4 статьи в журналах из Перечня ВАК, 7 работ, индексируемых в базе SCOPUS, и 8 докладов на научных конференциях различного уровня.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка литературы, содержащего 108 наименований, и приложения. Она изложена на 122 страницах машинописного текста, содержит 47 рисунков и 8 таблиц.

Основные научные положения и результаты, выносимые на защиту:

- алгоритм сегментации изображений гистологических препаратов на основе сверточных нейронных сетей;

- методика постобработки на выходе алгоритма сегментации изображений гистологических препаратов на основе морфологической фильтрации;

- алгоритм детектирования патологий на эндоскопических изображениях слизистой оболочки желудка на основе сверточных нейронных сетей;

- модифицированный алгоритм детектирования патологий на эндоскопических видеоизображениях.

Благодарности

Автор выражает благодарность коллективу кафедры инфокоммуникаций и радиофизики Ярославского государственного университета им. П.Г. Демидова, в особенности научному руководителю,

кандидату технических наук Хрящеву Владимиру Вячеславовичу, а также заведующему кафедрой ИКР, доктору технических наук Брюханову Юрию Александровичу, а также доктору технических наук Приорову Андрею Леонидовичу за помощь на всех этапах написания данной работы. Отдельное спасибо аспиранту кафедры ИКР ЯрГУ Антону Лебедеву за оказание высококвалифицированной помощи в ходе выполнения экспериментальной части работы.

Автор также выражает благодарность за сотрудничество и помощь в работе заведующему отделением эндоскопии Ярославской областной онкологической больницы, кандидату медицинских наук Кашину Сергею Владимировичу, а также сотруднику отделения эндоскопии Ярославской областной онкологической больницы, кандидату медицинских наук Куваеву Роману Олеговичу.

Кроме того, глубокую благодарность хотелось бы выразить близким -мужу, папе и в особенности маме - за возможность заниматься научной деятельностью и поддержку во время написания данной работы.

ГЛАВА 1

ТЕКУЩЕЕ СОСТОЯНИЕ ОБЛАСТИ ИССЛЕДОВАНИЙ 1.1 Вводные замечания

Телевидение - область современной радиоэлектроники, которая занимается изучением вопросов передачи и приема движущихся и неподвижных изображений предметов, расположенных в пространстве, электрическими средствами связи в реальном времени [10-12]. В настоящее время телевизионная техника развивается по двум основным направлениям. Одно из них составляет вещательное телевидение, второе получило название прикладного телевидения, под которым понимается использование телевизионных методов и средств в народном хозяйстве, научных исследованиях, космическом и военном деле, медицине и т.д. Следует отметить, что на протяжении всей истории оба направления развивались в тесном взаимодействии между собой. Однако в силу специфики решаемых задач требования к системам вещательного и прикладного телевидения могут существенно различаться. Основное требование к вещательным системам заключается в воспроизведении на телевизионном экране изображений, обеспечивающих необходимые условия для художественного восприятия зрителем передаваемой сцены (сюжета). И здесь на первый план выступает проблема качества воспроизводимого изображения. Требования, предъявляемые к системам прикладного телевидения, вытекают из их конкретного назначения, которое может быть как достаточно универсальным, так и узкоспециализированным [8, 16].

Можно выделить следующие основные отличия вещательного и прикладного телевидения [13]:

1. Аппаратура вещательного телевидения должна быть универсальной, рассчитанной на передачу изображений практически любых объектов. В связи с этим на параметры вещательного телевидения устанавливаются достаточно жесткие стандарты. В прикладном

телевидении, напротив, установка жестких стандартов нецелесообразна, что во многих случаях позволяет упростить используемую аппаратуру.

2. В телевизионном вещании один передающий центр работает на большой парк приемников. В связи с этим при создании вещательных систем стремятся к максимальному упрощению приемных устройств за счет некоторого усложнения передающей аппаратуры. В прикладном телевидении, как правило, одно или несколько передающих устройств работают на один или несколько приемников. В данном случае нет оснований стремиться к упрощению приемных устройств за счет усложнения передающей аппаратуры, в связи с этим необходимые блоки и узлы размещают там, где это более удобно.

3. Для телевизионного вещания характерно большое разнообразие программ, при которых происходит трансляция с различных камер и иных источников. В связи с этим возникает необходимость в большом количестве коммутационного и вспомогательного оборудования. В системах прикладного телевидения доля такого оборудования значительно меньше.

Системы прикладного телевидения по принципу построения и назначению делятся на две основные группы (Рисунок 1.1).

Рисунок 1.1 - Виды телевизионных систем

К первой группе относятся наблюдательные системы, которые также называют обзорно-поисковыми или информационными. Они используются для наблюдения за обстановкой внутри заданного пространства, ограниченного полем зрения объектива, а также визуального или автоматического поиска, обнаружения или опознавания объектов, интересующих оператора. В частности, одним из наиболее сложных направлений является определение принадлежности объекта к определенному классу [8]. Ко второй группе относятся телевизионные измерительные системы, служащие для контроля или измерения отдельных параметров объекта.

На сегодняшний день системы прикладного телевидения в области медицины получают все большее распространение. Подобные системы широко используются в ряде диагностических исследований, при этом выходной информацией в подобных системах служат видеопоследовательности или изображения. Примеры технологий, используемых для получения статических и динамических изображений в подобных системах, приведены на Рисунке 1.2.

Рисунок 1.2 - Основные виды технологий, используемые для получения изображений в медицинских телевизионных системах

Примеры изображений, получаемые с помощью указанных видов технологий, приведены на Рисунке 1.3. Как видно из данного Рисунка, для медицинских изображений, полученных с помощью различных технологий, характерна значительная разнородность. Например, большинство видов медицинских изображений представлено в оттенках серого, в то время как эндоскопические и гистологические изображения - цветные. Кроме того, представленные изображения отличаются уровнем детализации, количеством элементов на изображении и степенью контрастности.

а) б) в)

г) д) е)

Рисунок 1.3 - Примеры медицинских изображений: а) снимок МРТ головного мозга; б) снимок КТ головного мозга; в) рентгенограмма грудной клетки; г) снимок УЗИ плода; д) оцифрованный гистологический препарат тканей молочной железы; е) кадр из видеогастроскопического исследования

Основной целью анализа изображений, получаемых в медицинских телевизионных системах, является поиск аномалий (патологий), в том числе путем оценки различных свойств и качеств тканей и органов человека, косвенно указывающих на наличие некоторого заболевания [24-27]. Подобный анализ может проводиться как визуально, так и в автоматическом или полуавтоматическом режимах.

В последнее время по всему миру наблюдается тенденция к внедрению регулярных скрининговых исследований пациентов. Систематический скрининг подразумевает под собой проведение диагностических исследований в бессимптомной популяции. В настоящее время имеются убедительные доказательства того, что проведение скрининга коррелирует со снижением смертности и заболеваемости для ряда методов диагностических исследований [21]. Популяционные скрининговые исследования отличает их массовость, что требует создания и поддержки эффективной инфокоммуникационной инфраструктуры, способной обрабатывать, хранить, передавать и анализировать значительные объемы информации. Наибольший интерес в данной области представляет создание систем автоматического анализа изображений, получаемых в медицинских телевизионных системах. Целью создания и использования на практике таких систем является помощь специалистам в принятии решения в условиях, сложных для полного и объективного анализа предмета исследования. Также подобные системы способны обеспечить снижение уровня зависимости диагностики от человеческого фактора.

В большинстве случаев под автоматическим анализом изображений понимают детектирование, сегментацию патологий, а также их классификацию [26, 27]. На сегодняшний день наиболее перспективным подходом к анализу медицинских изображений является применение алгоритмов и методов искусственного интеллекта и цифровой обработки изображений.

1.2 Искусственный интеллект в медицине

В начале 1980-х гг. ученые в области теории вычислений Барр и Файгенбаум предложили следующее определение искусственного интеллекта (ИИ, Artifical Intelligence): «Искусственный интеллект - это область информатики, которая занимается разработкой интеллектуальных компьютерных систем, то есть систем, обладающих возможностями, которые мы традиционно связываем с человеческим разумом, - понимание языка, обучение, способность рассуждать, решать проблемы и т. д.» [28]. Позже к ИИ стали относить ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать некоторые задачи так, как это делал бы размышляющий над их решением человек.

Идея ИИ зародилась в 1950-е годы. Долгое время ученые считали, что ИИ уровня человеческого интеллекта можно создать, задав набор явных правил для управления знаниями. Такой подход получил название «Символический ИИ» и являлся основной парадигмой вплоть до 1980-х годов. Стоит отметить, что символический ИИ достиг значительных успехов в ряде задач, решение в которых можно получить, руководствуясь набором некоторых правил, например, в шахматах [31, 33].

Однако большинство задач, решаемых человеком в повседневной жизни или на рабочем месте, невозможно полностью формализовать: перевод на другие языки, анализ изображений, распознавание речи и многие другие направления невозможно автоматизировать, используя парадигму символического ИИ. Таким образом, в 1980-х годах на смену этой парадигме приходит новый подход: машинное обучение.

В классическом программировании, в парадигме символического ИИ, люди вводят правила (программу) и данные для обработки в соответствии с этими правилами и получают ответы. В машинном обучении люди вводят данные и ответы, соответствующие этим данным, а на выходе получают

правила (Рисунок 1.4). Эти правила затем можно применить к новым данным для получения оригинальных ответов [29].

Правила Данные

Данные Ответы

Рисунок 1.4 - Парадигмы программирования: классическая парадигма

и машинное обучение

В машинном обучении компьютерная программа обучается, а не программируется явно. Ей передаются многочисленные примеры, имеющие отношение к решаемой задаче, а она находит в этих примерах статистическую структуру, которая позволяет системе выработать правила для автоматического решения задачи. В 1998 году Том Митчелл предложил следующее определение машинного обучения: «Говорят, что компьютерная программа способна к обучению из опыта Е по отношению к некоторой задаче Т и критерию качества работы Р, если ее производительность на Т, как мера Р, улучшается с опытом Е» [34].

Для работы алгоритма машинного обучения необходимы следующие элементы:

входные данные (изображения, звукозаписи и др.); примеры ожидаемых результатов (теги для изображений, транскрипция речи для звукозаписей и др.);

способ оценки качества работы алгоритма: данные о качестве работы алгоритма используются для корректировки его работы, то есть непосредственно для обучения алгоритма.

Таким образом, алгоритм при машинном обучении трансформирует входные данные в значимые результаты, опираясь на известные для него примеры входных данных и соответствующие им результаты. То есть главной задачей машинного обучения является значимое преобразование данных, или, иными словами, обучение представлению входных данных -иному, более удобному кодированию данных, приближающему нас к ожидаемому результату [29, 30]. Опираясь на данные рассуждения, можно определить обучение алгоритма как автоматический процесс поиска лучшего представления данных.

Глубокое обучение — это особый раздел машинного обучения: новый подход к поиску представления данных, делающий упор на изучение последовательных слоев (или уровней) все более значимых представлений [29, 31]. Под глубиной в глубоком обучении не подразумевается более глубокое понимание, достигаемое этим подходом; идея заключается в многослойном представлении. Количество слоев, на которые делится модель данных, называют глубиной модели. Другими подходящими названиями для этой области машинного обучения могли бы служить: многослойное обучение и иерархическое обучение. Современное глубокое обучение часто вовлекает в процесс десятки и даже сотни последовательных слоев представления — и все они автоматически определяются под воздействием обучающих данных. Между тем другие подходы к машинному обучению ориентированы на изучении одного-двух слоев представления данных; по этой причине их иногда называют поверхностным обучением.

В глубоком обучении такие многослойные представления изучаются с использованием моделей, так называемых нейронных сетей, структурированных в виде слоев, наложенных друг на друга.

Взаимосвязь ИИ, машинного и глубокого обучения представлена на Рисунке 1.5.

Внедрение методов и алгоритмов ИИ в медицину и здравоохранение является стратегической и перспективной задачей, поскольку использование

подобных подходов может позволить массово повысить точность диагностики, скорость разработки новых лекарств, улучшить качество жизни людей, страдающих различными заболеваниями, а также снизить влияние человеческого фактора в диагностике [20, 21].

Список литературы диссертационного исследования кандидат наук Степанова Ольга Анатольевна, 2019 год

ЛИТЕРАТУРА

1. Кравченко В.Ф. (под ред.) Цифровая обработка сигналов и изображений в радиофизических приложениях - М.: Физматлит, 2007.

2. Приоров А.Л., Апальков А.В., Хрящев В.В. Цифровая обработка изображений: Учеб. пособие / Яросл. гос. университет - Ярославль, 2007.

3. Борисов Ю.И., Дворкович В.П., Зубарев Ю.Б. Технические проблемы и перспективы внедрения цифрового телевидения и радиовещания в России. Часть 1 // Broadcasting. Телевидение и радиовещание, 2007. № 1. С. 22-27.

4. Зубарев Ю.Б., Дворкович В.П., Дворкович А.В. Проблемы и перспективы внедрения информационных мультимедийных систем в России // Электросвязь, 2004. № 10. С. 11-16.

5. Bovik A. The Handbook of Image and Video Processing (Communication, Networking and Multimedia) // Academic Press, 2005.

6. Zhao W., Chellappa R., Phillips P., Rosenfeld A. Face recognition: A literature survey // ACM Computing Surveys (CSUR). 2003. V. 35, № 4. P. 399-458.

7. Форсайт Д.А., Понс Д. Компьютерное зрение. Современный подход. -М.: Вильямс, 2004. - 928 с.

8. Грязин Г.Н. Системы прикладного телевидения / СПб.: Политехника, 2000. - 277 c.

9. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. - М.: Физматлит, 2001. - 784 с.

10. Блинов, Н. Н. Системы прикладного телевидения : (Цв. телевидение в биологии и медицине) / Н. Н. Блинов, А. И. Мазуров. - М. : Знание, 1987. - 62 с.

11. Джакония В.Е. Гоголь А.А. Друзин Я.В. Телевидение: Учебник для вузов. М: Горячая линия - Телеком, 4-е издание. - 2007. 616 с.

12. Блинов, Н. Н. Микропроцессорная техника и ЭВМ в медицинской интроскопии / Н. Н. Блинов. - М. : Знание, 1986. - 64 с. : ил. - (Новое в жизни, науке, технике. Радиоэлектроника и связь ; вып. 4).

13. Костыков Ю.В. Прикладное телевидение. - М.: Энергия, 1980. - 72 с.

14. Open Source Computer Vision Library (OpenCV), http://opencv.org.

15. Howse J. OpenCV Computer vision with Python. - Packt Publishing Ltd., UK. 2013. - 122 p.

16. Безруков, В.Г. Балобанов В.Н. Системы цифрового вещательного и прикладного телевидения: Учебное пособие для вузов / Под ред. В.Н. Безрукова. - М.: Гор. линия-Телеком, 2015. - 608 с.

17. Лукьяница А.А., Шишкин А.Г. Цифровая обработка видеоизображений. - М.: Ай-Эс-Эс Пресс, 2009. - 518 с.

18. Дворкович В.П., Дворкович А.В. Цифровые видеоинформационные системы (теория и практика). - М.: Техносфера, 2012. - 1009 с.

19. Ганин А.Н. Сопровождение и распознавание объектов на телевизионных изображениях // Диссертация на соискание ученой степени кандидата технических наук. Ярославль. 2013.

20. Yasmin M., Sharif M., Mohsin S. (2013) Neural Networks in Medical Imaging Applications: A Survey // World Applied Sciences Journal 22 (1): 85-96, 2013.

21. Никонов Е.Л., Аксенов В.А., Кашин С.В., Нехайкова Н.В. (2017) Международный опыт скрининга колоректального рака // Доказательная гастроэнтерология. 2017. Т. 6, № 3. С. 30-35.

22. Rangayyan R.M. Biomedical Image Analysis. - CRC Press, Boca Raton, 2005. - 1306 p.

23. Rodrigo Fernandez-Gonzalez, Thomas Deschamps, Adam Idica, Ravikanth Malladi, and Carlos Ortiz de Solorzano. Automatic segmentation of histological structures in mammary gland tissue sections. Journal of biomedical optics, 9(3): 444-454, 2004.

24. Федотов А.А. Основы цифровой обработки биомедицинских изображений: учеб. пособие / А.А. Федотов. - Самара: Изд-во СГАУ, 2013. - 108 с.

25. Авшаров Е.М., Абгарян М. Г., Сафарянц С.А. Обработка медицинских изображений как необходимый инструментарий медицинского диагностического процесса // Вестник рентгенологии и радиологии. 2010. № 3. С. 54-61.

26. М. С. Фролова, С. В. Фролов, И. А. Толстухин Системы поддержки принятия решений для задач оснащения лечебных учреждений медицинской техникой // Университет им. В.И. Вернадского. Специальный выпуск (52), 2014. - С. 106-111.

27. Кирсанова А.В. Современное состояние и перспективы развития экспертных медицинских систем // Новый университет. Серия «Технические науки», 2015, № 11-12. - С. 45-46.

28. Barr A. & Feigenbaum E.A. (1982) The Handbook of Artificial Intelligence, Vol. 2. Kaufmann, Los Altos.

29. Шолле Ф. Глубокое обучение на Python. — СПб.: Питер, 2018. - 400 с.

30. Рашид Т. (2017) Создаем нейронную сеть. - СПб.: Альфа-книга, 2017. — 274 с.

31. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение // ДМК-Пресс, 2017 - 652 с.

32. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение // СПб: Питер, 2017. - 336 с.

33. Николенко С.И., Кадурин А.А., Архангельская Е.О. Глубокое обучение - СПб.: Питер, 2018. 480 с.

34. Mitchell T. Machine Learning (1998) // McGraw-Hill Education; 1 edition. -432 p.

35. IBM Watson. URL: https://www.ibm.com/watson. Дата обращения: 21.09.2018.

36. DeepMind Health. URL: https://deepmind.com/applied/deepmind-health/ . Дата обращения: 21.09.2018.

37. MedyMatch Technology. URL: https://evercare.ru/category/medymatch-technology. Дата обращения: 21.09.2018.

38. Medtronic. URL: https://www.medtronic-diabetes.ru/produkcia/nepreryvnyj-monitoring-glukozy. Дата обращения: 21.09.2018.

39. Федеральный закон "Об основах охраны здоровья граждан в Российской Федерации" от 21.11.2011 № 323-ФЗ.

40. Конституция Российской Федерации: принята всенародным голосованием 12 декабря 1993 г. (с изм. и доп. от 05.02.2014) // Собр. законодательства РФ. 2014. № 9.

41. ResNet-50. URL: https://www.kaggle.com/pytorch/resnet50. Дата обращения: 18.01.2018.

42. VGG Face Dataset. URL: http://www.robots.ox.ac.uk/~vgg/data/vgg_face. Дата обращения: 14.02.2018.

43. Ивановский Л.И., Степанова О.А., Хрящев В.В., Приоров А.Л. Алгоритм распознавания эмоций по изображению лица на основе сверточной нейронной сети // Техническое зрение в системах управления - 2018: сб. тез. докл. научно-техн. конф., М. ИКИ РАН, 2018. С. 55-56.

44. Степанова О.А., Ивановский Л.И., Хрящев В.В. Использование глубокого обучения и сверточных нейронных сетей для анализа выражения лица // Цифровая обработка сигналов и ее применение (DSPA-2018): докл. 20-й междунар. конф. - Москва, 2018. Т. 2. С. 817-821.

45. Гистология, эмбриология, цитология: учебник / Ю.И. Афанасьев, Н.А. Юрина, Е.Ф. Котовский и др. - 6-е изд., перераб. и доп. 2012. - 800 с.

46. Среднякова А.С., Лебедев А.А., Хрящев В.В. Разработка системы поддержки принятия решений для врача-патоморфолога на основе алгоритмов машинного обучения // Нейрокомпьютеры и их применение: тезисы докладов 16-й Всероссийской научной конф. - М.: МГППУ, 2018. - С. 226-227.

47. Среднякова А.С., Степанова О.А., Лебедев А.А., Хрящев В.В. Использование нейронных сетей AlexNet и U-Net в задаче сегментации гистологических изображений // Цифровая обработка сигналов и ее применение (DSPA-2019): докл. 21-й междунар. конф. - Москва, 2019. С. 529-533.

48. Степанова О.А., Хрящев В.В. Использование сверточных нейронных сетей в задаче анализа гистологических изображений // Современные технологии обработки сигналов: Сб. докладов 1 -й Всероссийской конференции, Москва, 2018. С. 252-257.

49. Приоров А.Л., Хрящев В.В., Степанова О.А., Среднякова А.С. Разработка и исследование алгоритма сегментации ядер клеток на гистологических изображениях // Биомедицинская радиоэлектроника, 2018, № 11, С. 13-20.

50. Khryashchev V., Lebedev A., Stepanova O., Srednyakova A. (2019) Using Convolutional Neural Networks in the Problem of Cell Nuclei Segmentation on Histological Images. In: Dolinina O., Brovko A., Pechenkin V., Lvov A., Zhmud V., Kreinovich V. (eds) Recent Research in Control Engineering and Decision Making. ICIT 2019. Studies in Systems, Decision and Control, vol 199. Springer, Cham.

51. Мыцик А.В. Использование программы ImageJ для автоматической морфометрии в гистологических исследованиях // ОНВ. 2011. № 2 (100).

52. Астахов А.С., Бумагин В.В. Анализ эффективности алгоритмов обработки изображений для выделения микрообъектов на гистологических срезах // ИВД. 2017. № 4 (47).

53. Абламейко С.В., Недзьведь А.М. Обработка оптических изображений клеточных структур в медицине. - Мн.: ОИПИ НАН Беларуси, 2005. -156 с.

54. H-S WU, R Xu, N Harpaz, D Burstein, and J Gil. Segmentation of intestinal gland images with iterative region growing. Journal of Microscopy, 220(3):190-204, 2005.

55. Cigdem Gunduz-Demir, Melih Kandemir, Akif Burak Tosun, and Cenk Sokmensuer. Automatic segmentation of colon glands using object-graphs. Medical image analysis, 14(1): 1-12, 2010.

56. Korsuk Sirinukunwattana, David RJ Snead, and Nasir M Rajpoot. A stochastic polygons model for glandular structures in colon histology images. IEEE transactions on medical imaging, 34(11): 2366-2378, 2015.

57. Jonathan Masci, Ueli Meier, Dan Cires3an, and Jurgen Schmidhuber Stacked convolutional auto-encoders for hierarchical feature extraction. In International Conference on Artificial Neural Networks, pages 52-59. Springer, 2011.

58. Jonathan Long, Evan Shelhamer, and Trevor Darrell. Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 3431-3440, 2015.

59. Степанова О.А. Исследование работы нейронной сети на изображениях с различным разрешением в задаче распознавания лиц // Телевидение: передача и обработка изображений: Тез. 15-й междунар. конф. - Санкт-Петербург, 2018. С. 162-165.

60. Vijay Badrinarayanan, Alex Kendall, and Roberto Cipolla. Segnet: A deep convolutional encoder-decoder architecture for image segmentation. IEEE transactions on pattern analysis and machine intelligence, 39(12): 2481-2495, 2017.

61. Всемирная организация здравоохранения: Рак. Информационный бюллетень [Электронный ресурс]. Режим доступа: http://www.who. int/mediacentre/factsheets/fs297/ru. (Дата обращения: 10.05.2018).

62. Wu M., Yan C., Liu H., Liu Q. Automatic classification of ovarian cancer types from cytological images using deep convolutional neural networks // Bioscience Reports 2018, 38:3. doi: 10.1042/BSR20180289.

63. Kumar N., Verma R., Arora A., Kumar A., Gupta S., Sethi A., Gann P. H. Convolutional neural networks for prostate cancer recurrence prediction // Medical Imaging 2017: Digital Pathology, vol. 10140, International Society for Optics and Photonics, 2017. - p. 10140.

64. Ponzio F., Macii E., Ficarra E., Di Cataldo S. Colorectal Cancer Classification using Deep Convolutional Networks - An Experimental Study // Proceedings of the 11th International Joint Conference on Biomedical Engineering Systems and Technologies, Vol.2: BIOIMAGING, Funchal, Madeira, Portugal, 2018. pp. 58-66.

65. Bulten W., Litjens G. J. S., Hulsbergen-van de Kaa C. A., van der Laak J. Automated segmentation of epithelial tissue in prostatectomy slides using deep learning // Medical Imaging 2018: Digital Pathology, Vol. 10581, 2018.

66. Janowczyk A., Madabhushi A. Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases // J Pathol Inform. 2016.

67. Krizhevsky A., Sutskever I., Hinton G. Imagenet classification with deep convolutional neural networks // Advances in neural processing systems, 2012. pp. 1097-1105.

68. Lecun, Yann & Bottou, Leon & Bengio, Y & Haffner, Patrick. (1998). Gradient-Based Learning Applied to Document Recognition // Proceedings of the IEEE. 86. 2278-2324.

69. Fischer P., Ronneberger O., Brox T. U-net: convolutional networks for biomedical image segmentation // Medical Image Computing and ComputerAssisted Intervention (MICCAI), Springer, LNCS, Vol. 9351, 2015. pp. 234-341.

70. Soille P. Morphological Image Analysis. -Berlin, Heidelberg, New York: Springer-Verlag, 1999.

71. Minervini M., Rusu C., Tsaftaris S.A. Learning Computationally Efficient Approximations of Complex Image Segmentation Metrics // 8th International Symposium on Image and Signal Processing and Analysis (ISPA 2013) September 4-6. Trieste, Italy, 2013. pp. 60-65.

72. Хрящев В.В., Приоров А.Л., Никитин А.Е., Степанова О.А. Итерационный алгоритм локализации центров глаз на изображении лица // Цифровая обработка сигналов. 2015. № 3. C. 60-64.

73. Лебедев А.А., Степанова О.А., Юрченко Е.А., Хрящев В.В. Разработка алгоритмов анализа изображений для классификации патологий слизистой оболочки желудка // Цифровая обработка сигналов и ее применение (DSPA-2018): докл. 20-й междунар. конф. - Москва, 2018. Т. 2. С. 644-649.

74. Степанова О.А., Ивановский Л.И., Хрящев В.В., Приоров А.Л. Разработка и анализ нейросетевого алгоритма распознавания эмоций по изображению лица // Успехи современной радиоэлектроники. 2018. № 11. С. 38-44.

75. Степанова О.А., Хрящев В.В. Использование глубокого обучения для анализа эндоскопического изображения желудка // Современные технологии обработки сигналов: Сб. докладов 1 -й Всероссийской конференции, Москва, 2018. С. 248-252.

76. Хрящев В.В., Ганин А.Н., Лебедев А.А., Степанова О.А., Кашин С.В., Куваев Р.О. Разработка и анализ алгоритма детектирования патологий

на эндоскопических изображениях желудка на основе сверточной нейронной сети // Цифровая обработка сигналов. 2018. № 3. С. 70-75.

77. Среднякова А.С., Степанова О.А., Лебедев А.А., Хрящев В.В. Использование нейронных сетей AlexNet и U-Net в задаче сегментации гистологических изображений // Цифровая обработка сигналов и ее применение (DSPA-2019): докл. 21-й междунар. конф. - Москва, 2019. С. 529-533.

78. Степанова О.А., Лебедев А.А., Хрящев В.В., Приоров А.Л. Использование сверточной нейронной сети SSD для детектирования патологий при эндоскопии желудка // Цифровая обработка сигналов и ее применение (DSPA-2019): докл. 21-й междунар. конф. - Москва, 2019. С. 533-537.

79. Бабенко Р.А., Хрящев В.В., Апальков И.В., Степанова О.А. ЕашаНёепШсайоп 1.0 - программная библиотека для биометрической идентификации по изображению лица // Свидетельство о государственной регистрации программы для ЭВМ № 2017615231 от 5 мая 2017.

80. Лебедев А.А., Ганин А.Н., Хрящев В.В., Степанова О.А. А1.Епёовсору.8о1и1:юп - система поддержки принятия решений и контроля качества в эндоскопии пищеварительной системы на основе алгоритмов искусственного интеллекта // Свидетельство о государственной регистрации программы для ЭВМ № 2018660495 от 23 августа 2018.

81. Лебедев А.А., Хрящев В.В., Среднякова А.С., Степанова О.А. Н1в11та§е.А1 - Программа для сегментации и анализа гистологических изображений // Свидетельство о государственной регистрации программы для ЭВМ № 20196119875 от 7 февраля 2019.

82. Голуб A.M. Современные методики эндоскопической диагностики в хирургии: учеб.-метод. пособие. - Mинск: БГMУ, 2011. - 23 с.

83. Чернеховская H.E. Современные технологии в эндоскопии. - M.: Российская медицинская академия последипломного образования, 2004. - 136 с.

84. Старков Ю.Г., Солодинина E.H., Шишин К.В. Эволюция диагностических технологий в эндоскопии и современные возможности выявления опухолей желудочно-кишечного тракта // Тихоокеанский медицинский журнал, 2009. № 2 (3б). - С. 35 - 39.

85. Bisschops R, Areia M, Coron E, Dobru D., Kaskas B., Kuvaev R., Pech O., Ragunath K., Weusten B., Familiari P., Domagk D., Valori R., Kaminski M.F., Spada C., Bretthauer M., Bennett C., SenoreC., Dinis-Ribeiro M., Rutter M.D. R. Performance measures for upper gastrointestinal endoscopy: a European Society of Gastrointestinal Endoscopy (ESGE) Quality Improvement Initiative // Endoscopy, 48(9), 201б, 843-б4.

86. Куваев Р.О., ^конов Е.Л., Кашин С.В., Капранов ВА., Гвоздев A.A. Контроль качества эндоскопических исследований, перспективы автоматизированного анализа эндоскопических изображений // Кремлевская медицина. Клинический вестник, 2, 2013, 51-5б.

87. Батухтин ДМ., Пеганова Е.В., Mитракова H.H., Роженцов A.A., Фурман ЯА. Aнализ узкоспектральных эндоскопических изображений на внутренней поверхности пищевода // Вестник Поволжского государственного технологического университета. Серия: радиотехнические и инфокоммуникационные системы. 2014. № 4 (23). -С. 45-57.

88. Пеганова Е.В., Батухтин ДМ., Mитракова H.H. Aвтоматизированная система сегментации узкоспектральных изображений для оптимизации

эндоскопической диагностики при патологии пищевода // Экспериментальная и клиническая гастроэнтерология. 2014. № 3 (103).

89. Дунаева О.А., Малкова Д.Б., Мячин М.Л., Эдельсбруннер Х., Сегментация клинических эндоскопических изображений, основанная на классификации векторных топологических признаков // Модел. и анализ информ. систем, 20:6 (2013), 162-173.

90. Коваленко Д.А., Гнатюк В.С. Ассоциация сцен в эндоскопических видео // GraphiCon 2017: Обработка и анализ биомедицинских изображений, Пермь, 2017. - С. 269-274.

91. Tamaki T., Sonoyama S., Hirakawa T., Raytchev B., Kaneda K., Koide T. Computer-Aided Colorectal Tumor Classification in NBI Endoscopy Using CNN Features // In The Korea-Japan joint workshop on Frontiers of Computer Vision (FCV2016), 2016, pp. 61-65.

92. Ribeiro E., Uhl A., Wimmer G., Hafner M. Exploring Deep Learning and Transfer Learning for Colonic Polyp Classification // Computational and Mathematical Methods in Medicine, Volume 2016, 16 p.

93. Bar Y., Wolf L., Diamant I., Greenspan H. Deep Learning with Non-Medical Training Used for Chest Pathology Identification // In: SPIE Medical Imaging. 2015. p. 94140V-V-7.

94. Куваев Р.О., Кашин С.В., Никонов Е.Л., Itoh T., Gotoda T., Gono K. Ранний рак желудка: методики скрининга, эндоскопической диагностики и малоинвазивного лечения // Доказательная гастроэнтерология, 2014, 3 (3), 44-51.

95. Куваев Р.О., Кашин С.В. Современное эндоскопическое исследование желудка с использованием методик узкоспектральной и увеличительной эндоскопии: техника проведения и алгоритмы диагностики // Доказательная гастроэнтерология, 2016, 2 (5), 3-13.

96. Куваев Р.О., Никонов Е.Л., Кашин С.В. Helicobacter pylori-ассоциированный хронический гастрит: новые технологии эндоскопической диагностики // Доказательная гастроэнтерология, 2015, 4 (1), 19-24.

97. Liu W., Anguelov D., Erhan D., Szegedy C., and Reed S.E. SSD: Single Shot Multibox Detector. CoRR, abs/1512.02325, 2015.

98. Fully convolutional reduced VGGNet [Электронный ресурс]. Режим доступа: https://gist.github.com/weiliu89/2ed6e13bfd5b57cf81d6.

99. Canny J. A Computational Approach to Edge Detection // IEEE Transactions On Pattern Analysis And Machine Intelligence, vol. Pami-8, no. 6, 1986. pp. 679-698.

100. ImageNet Image Database [Электронный ресурс]. Режим доступа: http://www. image-net.org/.

101. Giritharan B, Yuan X, Liu J, Buckles B, Oh J, Tang S (2008) Bleeding detection from capsule endoscopy videos. In: 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2008. EMBS 2008, pp. 4780-4783.

102. Li B, Meng MH (2009) Computer-Aided Detection of Bleeding Regions for Capsule Endoscopy Images // IEEE Trans Biomed Eng 56(4): 1032-1039.

103. Lebedev A., Khryashchev V., Priorov A., Stepanova O. Face verification based on convolutional neural network and deep learning // Proceedings of 2017 IEEE East-West Design and Test Symposium, EWDTS 2017.

104. Lebedev A., Pavlov V., Khryashchev V., Stepanova O. Face detection algorithm based on a cascade of ensembles of decision trees // Conference of Open Innovation Association, FRUCT, 2016-September, статья № 7561522, pp. 161 -166.

105. Khryashchev V., Priorov A., Stepanova O., Kosterin I. Improving the eyes localization algorithm for face recognition systems // Proceedings of IEEE

East-West Design & Test Symposium(EWDTS'2015). Batumi, Georgia, September 26-29, 2015. pp. 294-297.

106. Nikitin A., Khryashchev V., Stepanova O., Kosterin I. Eye center localization on a facial image based on multi-block local binary patterns // Conference of Open Innovation Association, FRUCT, 2015-June (June), статья № 7117983, pp. 129-135.

107. Khryashchev V., Priorov A., Stepanova O., Nikitin A. Face recognition using local quantized patterns and Gabor filters (2015) International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 40 (5W6), pp. 59-63.

108. Khryashchev V., Ganin A., Stepanova O., Lebedev A. Age estimation from face images: Challenging problem for audience measurement systems // Conference of Open Innovation Association, FRUCT, 2014-December, статья № 7000917, pp. 31-37.

ПРИЛОЖЕНИЕ А. Акты внедрения, свидетельства, диплом

Государственное бюджетное учреждение здравоохранения Ярославской области «Областная клиническая онкологическая больница» ИНН 7606028790КПП 760601001 Юридический адрес: 150054, Ярославская область, город Ярославль, проспект Октября, 67

ТВЕРЖДАЮ»

УЗ ЯО ОКОБ .П. Нестеров 2019 г.

АКТ

О внедрении результатов диссертационной работы Степановой O.A. на тему «Алгоритмы распознавания гистологических и эндоскопических изображений для систем прикладного телевидения в медицине»

Комиссия в составе: председатель - заведующий отделением эндоскопии Кашин C.B., члены комиссии - ассистент кафедры гастроэнтерологии ФДПО РНИМУ им. Н.И. Пирогова, врач-эндоскопист, врач-гастроэнтеролог Куваев P.O., доцент кафедры онкологии ЯГМУ, врач-эндоскопист Завьялов Д.В., рассмотрев диссертацию Степановой O.A. составила настоящий акт о том, что ее результаты нашли применение в деятельности эндоскопического отделения ГБУЗ ЯО Областная клиническая онкологическая больница. Особый практический интерес представляют следующие результаты диссертации:

- разработан алгоритм диагностики и характеристики патологических изменений на эндоскопических изображениях слизистой оболочки желудка на основе сверточной нейронной сети. При тестировании алгоритма на видеоизображениях с эндоскопа среднее значение меры Жаккара для разработанного алгоритма составило 0,687, что соответствует высокой степени совпадения областей, выделенных экспертом и алгоритмом.

Данный алгоритм использован при создании системы поддержки принятия решений в эндоскопии, а также для обучения начинающих специалистов.

Заведующий отделением эндоскопии ЯОКОБ, руководитель учебного эндоскопического центра ЯГМУ, главный внештатный специалист по эндоскопии Департамента здравоохранения и фармации Ярославской области (председатель комиссии)

к.м.н., Кашин C.B.

Члены комиссии

к.м.н., Куваев P.O.

к.м.н., Завьялов Д.В.

«УТВЕРЖДАЮ»

АКТ

внедрения результатов диссертационной работы Степановой Ольги Анатолевны на тему «Алгоритмы распознавания гистологических и эндоскопических изображений для систем прикладного телевидения в медицине» в научно-исследовательские работы

Результаты диссертационной работы Степановой O.A., представленной на соискание ученой степени кандидата технических наук по специальности 05.12.04 Радиотехника, в том числе системы и устройства телевидения, использованы в научно-исследовательской работе:

- при выполнении НИР "Разработка и анализ алгоритмов технического зрения для систем анализа аудитории и управления мобильными роботами" (грант РФФИ 15-07-08674 А) внедрены результаты разработки и исследования методики морфологической фильтрации бинарных масок сегментации, позволяющей повышать качество сегментации изображений.

Заведующий кафедрой инфокоммуникаций и радиофизики,

профессор, д.т.н.

Ю.А. Брюханов

«УТВЕРЖДАЮ»

АКТ

внедрения результатов диссертационной работы Степановой Ольги Анатольевны на тему «Алгоритмы распознавания гистологических и эндоскопических изображений для систем прикладного телевидения в медицине» в учебный процесс

Мы, нижеподписавшиеся, заведующий кафедрой инфокоммуникаций и радиофизики, профессор, д.т.н. Ю.А. Брюханов и доцент кафедры инфокоммуникаций и радиофизики, д.т.н. A.JI. Приоров составили настоящий акт о том, что результаты диссертационной работы Степановой O.A. внедрены в учебный процесс на кафедре инфокоммуникаций и радиофизики физического факультета ЯрГУ (направление «Радиотехника»):

в курсе «Актуальные вопросы цифровой обработки сигналов» -методика морфологической фильтрации на выходе алгоритма сегментации гистологических изображений;

в курсе «Основы телевидения и видеотехники» - алгоритм детектирования патологий на эндоскопических видеоизображениях в системах прикладного телевидения в медицине.

Заведующий кафедрой инфокоммуникаций и радиофизики,

д.т.н., профессор

Доцент кафедры инфокоммуникаций и радиофизики, д.т.н.

ООО "НПП САТЭК плюс" 152934, г. Рыбинск, Ярославская обл., ул. Пушкина, 53 152934, г. Рыбинск, Ярославская обл., ул. Карякинская, 64 ИНН 7610084692, КПП 761001001, р/с 40702810677030008200 в банке СЕВЕРНЫЙ БАНК ПАО СБЕРБАНК, К/с 30101810500000000670, БИК 047888670

УТВЕРЖДАЮ

Генеральный директор ООО «НПП САТЭК плюс»

Петров A.B. «20» мая 2019 г.

АКТ

внедрения результатов диссертационной работы Степановой Ольги Анатольевны, выполненной в Ярославском государственном университете имени П.Г. Демидова (ЯрГУ), на тему «Алгоритмы распознавания гистологических и эндоскопических изображений для систем прикладного телевидения в медицине».

Комиссия в составе: председатель комиссии - генеральный директор Петров A.B., члены комиссии - ведущий программист Большаков О.С., ведущий программист Осташков Д.С., рассмотрев диссертационную работу Степановой O.A. составила настоящий акг о том, что ее результаты нашли применение в работе ООО «НПП САТЭК плюс». Особый нракгический интерес представляют следующие результаты диссертации:

1. Программная реализация алгоритма сегментации на основе сверточной нейронной сети, применяемая для подсчета ядер клеток на гистологических изображениях.

2. Методика морфологической фильтрации бинарных масок сегментации гистологических изображений.

Разработанные алгоритм и методика использованы при создании комплекса анализа изображений на основе технологий машинного обучения. Предложенные O.A. Степановой алгоритмы позволили повысить точность детектирования объектов на изображениях, а также увеличить вероятность принятия верного диагностического решения в ряде систем поддержки принятия решений в медицинских приложениях.

Петров A.B. Большаков О.С. Осташков Д.С.

Москва, 27 марта - 29 марта 2019 г.

21-я Международная Конференция

Цифровая Обработка Сигналов и ее Применение

Digital Signal Processing and its Applications

Оргкомитет награждает

Степанову Ольгу Лнатолье

Ярославский государственный университет им.

аспирант

Г. Ярославль

Председатель Оргкомитета Конференции DSPA-2019

академик РАН Гуляев Ю. В.

Председатель международного комитета Конференции DSPA-2019

Кирпичников А. П.