Алгоритмы сегментации опухолей головного мозга на МРТ-изображениях тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Абдулракеб Атеф Рохан Абдулсамиа

• Абдулракеб Атеф Рохан Абдулсамиа
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Абдулракеб Атеф Рохан Абдулсамиа

Оглавление с.

Введение

ГЛАВА 1. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ СЕГМЕНТАЦИИ ОПУХОЛЕЙ ГОЛОВНОГО МОЗГА

1.1. МРТ как средство исследования опухоли головного мозга

1.2. Анализ существующих методов подавления шумов на МРТ-изображениях

1.3. Анализ существующих методов и алгоритмов сегментации опухолей головного мозга на МРТ-изображениях

1.4. Выводы

ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ПРЕДПОСЫЛКИ РЕШЕНИЯ ЗАДАЧ ФИЛЬТРАЦИИ И СЕГМЕНТАЦИИ ОГМ НА МРТ-ИЗОБРАЖЕНИЯХ

2.1. Фильтрация шумов на этапе предварительной обработки МРТ-изображений

2.1.1. Усредняющий фильтр

2.1.2. Фильтр Гаусса

2.1.3. Фильтр Винера

2.1.4. Медианный фильтр

2.1.5. Вейвлет-преобразование Хаара

2.1.6. Методика проведения исследования эффективности фильтров

2.2. Методы сегментации ОГМ на МРТ-изображениях

2.2.1. Математическая модель процедуры сегментации

2.2.2. Пороговые методы сегментации

2.2.2.1. Глобальные пороговые методы сегментации

2.2.2.2. Локальные пороговые методы сегментации

2.2.3. Метод наращивания областей

2.2.4. Метод активных контуров

2.3. Критерии оценки результатов сегментации ОГМ на МРТ-изображениях

2.4. Выводы

ГЛАВА 3. ИССЛЕДОВАНИЕ ПРИМЕНЕНЯ МЕТОДОВ СЕГМЕНТАЦИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ СЕГМЕНТАЦИИ ОГМ НА МРТ-ИЗОБРАЖЕНИЯХ

3.1. Исследование возможности применения пороговых методов для сегментации ОГМ на МРТ-изображениях

3.1.1. Исследование применения глобального порогового метода Отсу для сегментации ОГМ на МРТ-изображениях

3.1.2. Разработка алгоритма автоматизации выбора порога сегментации на основе анализа гистограммы яркости МРТ-изображения

3.2. Исследование возможности применения метода наращивания областей для сегментации ОГМ на МРТ-изображениях

3.2.1. Разработка алгоритма автоматизации выбора начальных параметров сегментации ОГМ на МРТ-изображениях методом наращивания областей

3.3. Разработка алгоритма локализации ОГМ на МРТ-изображениях

3.4. Разработка алгоритма исключения сегментации сосуда вместо опухоли на МРТ-изображениях

3.5. Разработка алгоритма автоматизации процедуры сегментации ОГМ на МРТ-изображениях

3.6. Исследование возможности применения метода активных контуров для сегментации ОГМ на МРТ-изображениях

3.7. Выводы

ГЛАВА 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ

4.1. Создание баз данных МРТ-изображений с ОГМ

4.2. Подготовка МРТ- изображений для исследования

4.3. Получение золотого стандарта сегментации ОГМ на МРТ-изображениях

4.4. Результаты сравнительного анализа фильтров подавления шумов

4.5. Статистический анализ результатов экспериментальных исследований методов сегментации ОГМ на МРТ-изображениях

4.6. Оценка размеров ОГМ на МРТ-изображениях с помощью пакета MATLAB

4.7. Разработка программно-алгоритмического обеспечения обработки МРТ-изображений опухоли головного мозга

4.8. Возможные области применения разработанного программно-алгоритмического обеспечения и пути его развития

4.9. Выводы

Заключение

Список сокращений

Список литературы

Приложения

Приложение А

Приложение Б

Приложение В

Приложение Г

Введение диссертации (часть автореферата) на тему «Алгоритмы сегментации опухолей головного мозга на МРТ-изображениях»

ВВЕДЕНИЕ

Актуальность проблемы. Статистические данные Всемирной организации здравоохранения показывают что, каждый год от онкологических заболеваний, в том числе опухоли головного мозга (ОГМ) в мире умирают более 7,5 млн. человек. Среднегодовой темп прироста заболеваемости населения России новообразованиями головного мозга и других отделов нервной системы за период 2004-2014 составил 3,76 %, в то время как в мире этот показатель составлял 2,68%. В Йемене за период 2000-2007 данный показатель составил 7,6%.

Общепризнанным методом обнаружения различных ОГМ является магниторезонансная томография (МРТ), позволяющая получить детальное изображение различных тканей. Анализ полученных МРТ-изображений, как правило, проводится радиологами вручную и включает в себя поиск и распознавание объектов интереса, определение границ (оконтуривание) и оценка размеров опухоли. Это является трудоемкой и сложной задачей, требующей высокого профессионализма. Во многих случаях технология сегментации определяет результат анализа изображения в целом, т.к. измерения характеристик объектов изображения и другие этапы его обработки основываются на том, что получено в результате выполнения этой процедуры. Анализ работ по обнаружению ОГМ показывает, что на МРТ-изображениях присутствует такие шумы, как Гауссовский, импульсный и др., которые оказывают негативное влияние на результаты дальнейших процедур обработки.

Большой вклад в исследование и разработку методов цифровой обработки МРТ-изображений ОГМ, внесли русские ученные, в том числе, В.И. Мошкин, В.Л. Генкин, Е.П. Путягин, В.Я. Колючкин, Ю.Г. Якушенков, Н.В. Ким, И.Н. Спиридонов, Г.А. Дмитриев, а также зарубежные ученые R.C. Gonzalez, E. Richard, E.R. Davies, W. K. Pratt, Linda G. Shapiro, Alan Pugh и др.

Тем не менее, необходимость повышения качества диагностики ОГМ на МРТ-изображениях и последующего лечения на основе применения методов

цифровой обработки изображений, а именно методов фильтрации и сегментации для снижения влияния шума и выделения искомой патологии, является актуальной проблемой.

В связи с этим целью данной работы является совершенствование методов и разработка алгоритмов автоматизации процедуры сегментации ОГМ на МРТ-изображениях для повышения точности и достоверности диагностики и последующего лечения опухоли головного мозга.

Объектом исследования являются методы и средства обработки МРТ-изображений опухолей головного мозга.

Предметом исследования является методы и алгоритмы фильтрации и сегментации ОГМ на МРТ-изображениях.

Методы исследования. В работе использованы методы цифровой обработки сигналов, изображений и математической статистики. Экспериментальные исследования выполнены на двух сформированных верифицированных базах данных реальных МРТ-изображений головного мозга, описанных радиологами специализированных клинических учреждений.

Для достижения поставленной цели необходимо решить следующие задачи:

1 Провести анализ научных публикаций по современным подходам, методам и алгоритмам фильтрации и сегментации ОГМ на МРТ-изображениях.

2 Исследовать основные этапы обработки МРТ-изображений с опухолью головного мозга с целью выявления проблем, требующих дополнительных исследований.

3 Сформировать необходимый объем базы данных реальных МРТ-изображений головного мозга с опухолью для исследования наиболее часто используемых методов предварительной обработки и сегментации, в том числе такие, как пороговый, наращивания областей и активных контуров.

4 Разработать алгоритм автоматизации выбора порога для порогового метода и алгоритм автоматизации ввода начальных параметров для метода

наращивания областей в интересах решения задачи сегментации ОГМ на МРТ-изображениях.

5 Разработать алгоритм автоматизации процедуры сегментации ОГМ на МРТ-изображениях и исследовать эффективность его работы в сравнении с другими традиционными методами.

6 Разработать программно-алгоритмическое обеспечение для реализации разработанных алгоритмов.

Научная новизна работы. В диссертации получены следующие результаты, характеризующиеся научной новизной:

1 Алгоритм автоматизации определения порога яркости для сегментации опухоли головного мозга на МРТ-изображениях пороговым методом, позволяющий повысить его эффективность сегментации на 6% и 11% по коэффициенту Дайса, 2% и 1% по точности для первой и второй базы данных реальных МРТ-изображений ОГМ соответственно.

2 Алгоритм автоматизации определения центров кристаллизации и глобального порога при использовании метода наращивания областей для сегментации опухолей головного мозга на МРТ-изображениях, позволяющий повысить его эффективность на 5% и 14% по коэффициенту Дайса, 1% и 4% по точности для первой и второй базы данных соответственно.

3 Алгоритм автоматизации процедуры сегментации ОГМ на МРТ-изображениях, позволяющий повысить точность сегментации и отличающийся тем, что он включает себя: алгоритм определения порога яркости на основе модального анализа гистограммы яркости; алгоритм локализации ОГМ на основе расчёта среднего значения пикселов с максимальной яркостью в каждой строке и столбце изображения; а также алгоритм исключения сегментации сосуда вместо опухоли. Алгоритм превосходит традиционный пороговый метод на 12% и 18% по коэффициенту Дайса, 3% и 2% по точности, и превосходит традиционный метод наращивания областей на 24% и 32% по коэффициенту Дайса, 2% и 6% по точности для первой и второй базы данных соответственно.

Практическая значимость. Программно-алгоритмическое обеспечение обработки МРТ-изображений ОГМ, позволяющее осуществить фильтрацию, автоматическую сегментацию ОГМ и получить количественные размеры сегментируемой области, а именно: малая ось, большая ось, площадь и периметр. Результаты исследования наиболее часто используемых методов фильтрации изображений для предварительной обработки МРТ-изображений, свидетельствующие о том, что фильтр Гаусса со средним отклонением 0,5 является лучшим среди рассмотренных фильтров (усредняющий, медианный, Винер и Вейвлет Хаара), так как он обеспечивает самое высокое пиковое отношение сигнал-шум а именно, 43 и 47 Дб для первой и второй баз данных соответственно.

Разработанные алгоритмы автоматизации процедуры сегментации ОГМ на МРТ-изображениях способствуют решению таких задач практической медицины, как сокращение времени, затрачиваемого на распознавание ОГМ, определение ее границ и размеров, а также уменьшение количества субъективных врачебных ошибок, связанных с уровнем профессионализма медперсонала.

Достоверность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждается:

- результатами тестирования на сформированных верифицированных базах данных реальных МРТ-изображений ОГМ, а также результатами экспериментальных исследований и апробации разработанных специализированных алгоритмов для сегментации ОГМ;

- оценкой эффективности функционирования разработанного алгоритма сегментации ОГМ на основе использования общепризнанных критериев, а именно: коэффициента Дайса, чувствительности, специфичности и точности.

Основные научные положения, выносимые на защиту. 1 Алгоритм автоматизации выбора порога, исключающий зависимость результатов сегментации от его произвольного выбора и позволяющий повысить

эффективность сегментации пороговым методом на 6% и 11% по коэффициенту Дайса, 2% и 1% по точности для первой и второй базы данных реальных МРТ-изображений ОГМ соответственно.

2 Алгоритм автоматизации выбора порога определения центров кристаллизации и глобального порога на основе анализа гистограммы яркости для исключения зависимости результатов сегментации от произвольного выбора начальных параметров, позволяющий повысить эффективность сегментации методом наращивания областей на 5% и 14% по коэффициенту Дайса, 1% и 4% по точности для первой и второй базы данных соответственно.

3 Алгоритм автоматизации процедуры сегментации ОГМ на МРТ-изображениях, отличающийся включением в себя: алгоритм определения порога, на основе модального анализа гистограммы яркости; алгоритм локализации ОГМ, на основе расчёта среднего значения пикселов с максимальной яркостью в каждой строке и столбце изображения; а также алгоритм исключения сегментации сосуда вместо опухоли, позволяющий автоматизировать процедуру сегментации с точностью 99% и 98% для первой и второй базы данных соответственно.

Результаты внедрения работы

Результаты научной работы внедрены в учебный процесс кафедры биомедицинских и электронных средств и технологий ВлГУ по подготовке студентов по направлению «Биотехнические системы и технологии» (бакалавриат и магистратура), а также в лечебном процессе радиотерапевтических отделений ГБУЗВО «ОКОД» для повышения эффективности планирования лучевой терапии ОГМ.

Личный вклад автора заключается в выполнении основного объема теоретических и экспериментальных исследований, изложенных в диссертационной работе, включая формирование экспериментальных баз данных МРТ-изображений ОГМ, разработку методов и алгоритмов экспериментальных

исследований, проведение исследований, анализ и оформление результатов в виде публикаций и научных докладов.

Апробация работы Материалы диссертационной работы докладывались и обсуждались на: XI и XII международной научной конференции «Физика и радиоэлектроника в медицине и экологии» ФРЭМЭ-2014 и ФРЭМЭ-2016 (г. Владимир, г. Суздаль 2014 и 2016); Всероссийской молодежной научной конференции «Современные проблемы биомедицинской инженерии», (г. Саратов 2015); XXVIII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы, Биомедсистемы - 2015» (г. Рязань 2015); XI международной научно-технической конференции «Перспективные технологии в средствах передачи информации - ПТСПИ-2015» - Владимир,2015; Всероссийской конференции «Радиоэлектронные средства получения, обработки и визуализации информации -(РСПОВИ-2015)», (г. Москва 2015); XII Российско-Германской конференции по биомедицинской инженерии RGC'2016 (г. Суздаль 2016); VI Всероссийской научной конференции «Актуальные вопросы биомедицинской инженерии», (г. Саратов 2016).

Публикации

По материалам диссертации опубликованы 17 работ, в том числе 4 на всероссийских конференциях, 5 на международных конференциях, 1 в сборнике трудов, 6 статей в профильных журналах, рекомендованных ВАК РФ, в том числе одна в базе данных Scopus, 1 свидетельство о государственной регистрации программ для ЭВМ.

Структура и объём диссертации

Диссертация состоит из введения, четырёх глав, заключения, библиографического списка, включающего 123 наименований, и 4 приложения. Объём диссертации 152 страниц машинописного текста, 59 рисунков и 13 таблиц.

ГЛАВА 1. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ СЕГМЕНТАЦИИ ОПУХОЛЕЙ ГОЛОВНОГО МОЗГА

Сердце, легкие, почки и другие органы являются наиболее важными частями человеческого организма. Как известно, все они находятся под управлением головного мозга [1]. Таким образом, можно сказать, что головной мозг является важнейшим звеном, управляющим всеми функциями человеческого тела, и от его состояния зависит вся работа организма.

В настоящее время, опухоль головного мозга (ОГМ), является очень серьезным и опасным заболеванием среди детей и взрослых. По статистическим данным Всемирной организации здравоохранения показано, что каждый год от онкологических заболеваний в мире умирает более 7,5 млн. человек [2]. В России в конце 2014 г. на учете в онкологических учреждениях состояли более 3,29 млн. больных. Согласно [3], среднегодовой темп прироста заболеваемости населения России новообразованиями головного мозга и других отделов нервной системы за период 2004-2014 составил 3,76 %, в то время как в мире этот показатель составлял 2,68%.

Слово «Опухоль» (tumor) является синонимом слова новообразование (neoplasm) - последнее формируется за счет аномально быстрого роста клеток [4]. При этом на практике различают доброкачественные и злокачественные опухоли. Отдельно выделяют категорию опухолей, склонных к метастизированию - они рассматриваются как особо опасные.

Наиболее распространенными видами ОГМ являются [4]:

- глиомы или астроцитомы - формируются из астроцитов и других видов глиальных клеток, обеспечивающих среду обитания для нервных клеток;

- менингиомы - формируются из различных клеток мягких мозговых оболочек (тонкий слой ткани, который выстилает головной и спинной мозг);

- метастазы - являются результатом метастазирования из другого органа, в котором развилась злокачественная опухоль (последний вид ОГМ встречается наиболее часто).

В настоящее время существует множество инвазивных и неинвазивных методов диагностики ОГМ. К инвазивным относятся клинические лабораторные анализы. К неинвазивным относятся рентгеновская компьютерная томография (РКТ), Магнитно-резонансная томография (МРТ) и позитронно-эмиссионная томография (ПЭТ) [4,5]. В таблице 1.1. представлен сопоставительный анализ характеристик РКТ, МРТ и ПЭТ, показывающий особенности применения данных диагностических процедур для анализа ОГМ.

Таблица 1.1.

Характеристики применения РКТ, МРТ и ПЭТ при диагностике ОГМ

Метод исследования Достоинства Недостатки

РКТ - Потенциально обладает возможностями выявления ОГМ малых размеров; - Быстрая диагностика ОГМ по сравнению с МРТ и ПЭТ; - Низкая стоимость. - Дает значительную лучевую нагрузку на мозг; - Контраст между ОГМ и здоровыми тканями на изображениях не всегда хорошо виден; - РКТ с использованием контрастов становится не конкурентоспособной с другими методами по критерию «результаты/затраты».

МРТ -Возможность частых контрольных исследований ввиду отсутствия побочных эффектов явного вреда здоровью; - Возможность исследования в различных плоскостях; - Высокая разрешающая способность позволяет с большой точностью дифференцировать ткани. - Относительно длительная процедура (от 30-40 мин.); - Невозможность применения у больных с клаустрофобией. - Невозможность ее использования для пациентов с имплантантами, (имплантами), содержащими металлические элементы.

Таблица 1.1.

Характеристики применения РКТ, МРТ и ПЭТ при диагностике ОГМ

Метод исследования Достоинства Недостатки

ПЭТ - Применение ПЭТ позволяет оценить метаболизм мозга; - Считается предпочтительным методом при выявлении злокачественных новообразований в большинстве органов человека. - Высокая стоимость; - Требует больших временных затрат; - Невозможно проведение частых контрольных исследований из-за явного вреда здоровью от вводимых препаратов различных изотопов. - Соотношение цены МРТ с контрастированием к ПЭТ приблизительно 1/5.

Согласно данным, представленным в таблице 1.1, МРТ является наиболее эффективным (так как он позволяет с высокой эффективностью визуализировать патологические очаги в головном мозге) и доступным (по критерию «результаты/затраты») методом первичной и последующей диагностики ОГМ.

1.1. МРТ как средство исследования опухоли головного мозга

Началом развития магнитно-резонансной томографии считается 1973 год [7], когда профессор химии Пол Лотербур опубликовал в журнале Nature статью «Создание изображения с помощью индуцированного локального взаимодействия; примеры на основе магнитного резонанса»[10]. Позже Питер Мэнсфилд усовершенствовал математические алгоритмы получения изображения. Оба исследователя в 2003 году получили Нобелевскую премию по медицине за изобретение метода МРТ.

Принцип работы МРТ основан на существовании естественной разницы в содержании атомов водорода (протонов) в воде и липидах. Интенсивность сигнала зависит от плотности протонов в ткани, времени релаксации протонов (Т1

и Т2), времени повторения импульса и времени возникновения эха. Контрастность изображения достигается за счёт различного содержания воды и липидов в тканях и их участках. Помимо исследования протонной плотности возможна настройка прибора с целью подчеркнуть Т1 или Т2 время релаксации, что позволяет усилить контрастность изображения [8].

В клинической практике сейчас используется в основном МРТ-оборудование фирм: Philips, Siemens, Toshiba, Magnum, GE и др. с напряженностью магнитного поля 1.5 Тл, создаваемой сверхпроводящими электромагнитами. МРТ оборудование включает в себя [8,9]:

1. Магнит, создающий постоянное магнитное поле, в которое помещают пациента;

2. Градиентные катушки, создающие слабое переменное магнитное поле в центральной части основного магнита. Это поле называют градиентным. Оно позволяет выбрать область исследования части тела пациента;

3. Передающие и принимающие радиочастотные катушки: передающие используются для создания возбуждения в теле пациента, принимающие — для регистрации ответа возбужденных участков;

4. Компьютер, управляющий работой катушек, обработкой измеренных сигналов, реконструкцией МР-изображений.

Блок схема аппарата МРТ-томографа представлена на рисунке 1.1.

Рисунок. 1. 1 Блок схема аппарата МРТ-томографа [9]

Современный математический аппарат, используемый в программном обеспечении МР-томографов, как правило, включает в себя [9]: интегральные преобразования (Абеля, Радона, лучевое); алгоритмы для двумерной и трехмерной томографии; алгоритмы фильтрации и обратного проецирования; двойное и тройное дискретное преобразование Фурье - для реконструкции изображений; алгебраические алгоритмы реконструкции и др.

Типичными технологиями визуализации для клинической практики считаются спин-эхо ^Е); инверсная реконструкция (Ж) и быстрая инверсная реконструкция; различные варианты «градиент эха» ^Е, GR и др.). В клинической практике для МРТ головного мозга обычно используется шаг между «срезами» в 1.5 мм, что обеспечивает возможность получения 200-250 сечений. Технические характеристики большинства МР-томографов с напряженностью поля 1.5 Тл при необходимости позволяют обеспечить шаг и в 0.5 мм - что может быть целесообразным для детального изучения отдельных участков объектов.

Для визуального отображения получаемых МРТ-изображений используются многофункциональные мониторы с достаточно большой диагональю экрана (типично 25-27 дюймов) и разрешением 1920*1080 пикселов. Цветовые возможности мониторов используются для воспроизведения колоризованных изображений, показа цветными линиями контуров для фрагментов и пр. Кроме просмотра изображений такие мониторы применяются для работы с базами данных по пациентам, набора текстов диагностических заключений и пр. С целью снижения усталости глаз врачей, работающих с МРТ-изображениями, могут применяться следующие меры: повышенная частота вертикальной регенерации для экрана дисплея (во избежание мерцаний); специальные «компьютерные очки»[113].

МРТ широко используется для визуализации анатомических структур человеческого организма [8] и позволяет обеспечить получение детального изображения (трехмерная картина) всех тканей организма, в том числе мягких

тканей хрящей, межпозвоночных дисков и мозга. МРТ считается лучшим вариантом для обнаружения различных опухолей, в том числе и ОГМ [10].

Полученные МРТ-изображения обычно сохраняются в специальных базах данных, что может быть важно для их ретроспективного анализа, в т.ч., и проведения клинических экспертиз.

Типовая методология исследования ОГМ методом МРТ

Перед процедурой диагностики методом МРТ, назначение рекомендаций относительно приема пищи и жидкости зависит от ситуации самого пациента и рассмотрения врача. Как правило, пациенту разрешается придерживаться привычного распорядка дня и принимать пищу и лекарственные препараты в установленном порядке, если только врач не скажет обратное [80].

Во время исследования вводится контрастное вещество в вену на руке катетер. К катетеру может быть подключен флакон с физиологическим раствором. Раствор обеспечивает постоянную промывку системы, что предотвращает ее закупорку до введения контрастного материала [81]. Далее, вокруг головы размещаются передаточно-приемные катушки, посылающие и принимающие радиоволны. После всех приготовлений стол пациента перемещается внутрь магнита, а радиолог и средний медицинский персонал на период исследования покидают процедурный кабинет.

Процедура исследования ОГМ считается длительной, так как, пациент должен пролежать без движений от 15 до 40 минут на подвижном столе. Можно только сглатывать слюну, моргать и разговаривать [81].

После завершения исследования врач просит пациента подождать до окончания анализа полученных изображений, поскольку может потребоваться дополнительная серия снимков и внутривенный катетер извлекается.

Для выявления на МРТ-изображениях областей с патологиями используются следующие режимы [9]: Т1 (время спин-решеточной релаксации); Т2 (время спин-спиновой релаксации); режим с подавлением сигнала свободной воды (Flair); Т1 пост контрастное (используются контрастные вещества,

содержащие тяжелый парамагнитный металл гадолиний, который усиливает сигнал на Т1) и др. В таблице 1.2 представлены особенности изображения тканей мозга и, в том числе, ОГМ при разных режимах МРТ.

Таблица 1.2.

Особенности проявления тканей мозга при разных режимах МРТ[10]

Режимы Т1 Т2 Flair Т1 пост контрастное

Костный мозг Темный Яркий Светлее чем мышцы Светлее чем мышцы

Мышцы Серые Серые (темнее, чем на Т1) Серые Серые

Жир Яркий Яркий (темнее, чем на Т1) Яркий Яркий

Белое вещество Светлое Темно-серое Темно-серое Светлое

Кровь Темная Темная Темная Яркая

Серое вещество Серое Серое Серое Серое

Жидкости Темные Яркие Темные Темно-серые

Кости Темные Темные Темные Темные

Воздух Темный Темный Темный Темный

Опухоли Темные Яркие и темные Яркие и темные Очень яркие

В качестве примера изображения ОГМ на МРТ-изображениях при разных режимах на рисунке 1.2 приведены МРТ-изображения с наличием ОГМ, полученные в режимах МРТ перечисленных в таблице 1.2.

1^3 I'

а) б)

in ■I . ■ ш

ll. 1 ж ¡г*

Hd 1 ЩЯш1

В)

Г)

Рисунок 1.2 - Изображения ОГМ на МРТ-изображениях при разных режимах: а- Т1; б- Т2; в- FLAIR; г-Т1 пост контрастное.

Из рисунка 1.2 видно, что на Т1-взвешенных изображениях ОГМ выглядит темнее белого вещества, на FLAIR взвешенных изображениях часть ОГМ выглядит темно-серой и с таким же цветом выглядит нормальная ткань, а другая часть выглядит светлой, на Т2- взвешенных изображениях, большая часть ОГМ выглядит яркой, но остается часть, которая выглядит серой, на Т1 пост контрастное-взвешенных изображениях вся ОГМ выглядит яркой. Поэтому можно сказать, что применение контрастирования способствует более четкому выявлению границы опухоли и ее структуры за счёт накопления контраста внутри опухоли. Также контрастирование позволяет обнаружить опухоль на самом начальном этапе ее развития, что актуально для медицины.

В то же время использование МРТ в режимах Т1, Т2 и FLAIR усложняет визуализацию четких границ (контуров) ОГМ, что может привести к ошибочным результатам диагностики. В связи с этим в работе рассматриваются МРТ-изображения, полученные в режиме Т1 пост контрастное.

Таким образом, выбор типа исходного изображения для обработки является очень важной задачей. Анализируемое изображение должно содержать

максимальное количество информации о патологических изменениях и минимальное о локализации нормальных структур с интенсивностью сигнала, похожей на патологическую (жир, мышцы, серое вещество и жидкости). В связи с этим, режим Т1 пост контрастное удовлетворяет этим условиям в большой степени.

Важно также отметить, что для диагностики ОГМ требуется высокая точность при анализе изображений МРТ. Особенности человеческого зрения зачастую не позволяют выявить мельчайшие изменения, что еще раз доказывает необходимость разработки вспомогательных инструментальных средств анализа МРТ-изображений.

Оперативный анализ в реальном масштабе времени такого большого объема информации специалистами по лучевой диагностике (а это, как правило, только врачи, но не средний медперсонал) создает значительную психологическую нагрузку на них. Поэтому важным является повышение эффективности программно-алгоритмических средств обработки и наглядного представления МРТ-изображений.

Широко используемые программные обеспечения, такие как, Codonics Clarity Viewer[82], Radiant Dicom Viewer [83] и другие, как правило, не включают такие методы цифровой обработки изображений, как методы сегментации, позволяющие упростить работу врача при диагностике и последующего лечении патологических изменений в организме человека, в том числе, в головном мозге. Данная проблема делает разработку вспомогательных инструментов на основе совершенствования методов обработки МРТ-изображений очень актуальной.

Методы цифровой обработки изображений позволяют преобразовывать изображения для улучшения их визуального восприятия, а также решать задачи изменения представления изображений для обеспечения их хранения, передачи, визуализации в электронном виде и дальнейшего анализа заложенной в них информации.

Типовая структурная схема цифровой обработки медицинских изображений

Типовая процедура обработки и анализа медицинских изображений включает в себя такие основные этапы, как (рисунок 1.3): предварительная обработка (фильтрация, преобразование изображение в другой формат, усиление четкости границ и др.); сегментация; анализ результатов сегментации; распознавание объектов; диагностика[8]. Основная задача этих этапов -выделение нужной врачам информации и повышение эффективности процесса диагностики и лечения заболеваний. Не-эффективные алгоритмические или программно-алгоритмические решения на всех этапах могут приводить к диагностическим ошибкам 1-го рода (не выявление имеющейся патологии) и 2-го рода (ошибочная диагностика патологии).

Список литературы диссертационного исследования кандидат наук Абдулракеб Атеф Рохан Абдулсамиа, 2017 год

Список литературы

1. Swe, Z.O. Brain tumor detection and segmentation using watershed segmentation and morphological operation/ Z.O. Swe, S.K. Aung // International Journal of Research in Engineering and Technology. — 2014. — Vol. 3. — Issue 03. — PP. 367-374.

2. Всемирная организация здравоохранения, Международное агентство по изучению рака/ПРЕСС-РЕЛИЗ № 223 /[Электронный ресурс]. — Режим доступа: http ://globocan. iarc. fr/Default. aspx.

3. Каприн, А.Д. Злокачественные новообразования в России в 2014 году (заболеваемость и смертность)/ Под ред. А.Д. Каприна, В.В. Старинского, Г.В. Петровой. — М.: МНИОИ., 2016. — 250 с.

4. Manoj, K.K. Brain Tumor Detction and Segmentation Using Histogram Thresholding/ K. K. Manoj, Y. K. Sourabh// International Journal of Engineering and Advanced Technology. — 2012. — Vol. 1. — Issue 04. — P. 16-20.

5. Anam, M., An Efficient Brain Tumor Detection Algorithm Using Watershed & Thresholding Based Segmentation/ M. Anam, J. Ali, F. Tehseen // Image, Graphics and Signal Processing. — 2012. — Vol. 10. — PP. 34-39.

6. Колесникова, Н.О. Эффективность МРТ для определения местного и лимфогенного распространения ректального рака/ Н.О. Колесникова. Д.А. Хубезов// ГУЗ Рязанская областная клиническая больница. — 2009.

7. Mansfield, P. NMR Imaging in Biomedicine: Supplement 2 Advances in Magnetic Resonance/ P. Mansfield, P.G. Morris. — New York: Academic press, 1982. — 365 P.

8. Neeraj, S. Automated medical image segmentation techniques/ S. Neeraj, L.M. Aggarwal // Journal of medical physics. — 2010. — Vol. 35. — PP. 3-14.

9. Современные виды томографии. Учебное пособие/ М.Я. Марусина, А.О. Казначеева. — СПб.: СПбГУ ИТМО., 2006. — 152 с.

10.Georg, R. Характеристики МРТ-изображений [электронный ресурс]/ R. George, J.D. Cruze, R. Singh// перевод сайта MRI Master. — режим доступа: http: //mrimaster. ru/characterimages/t2.

11. Anisha, S.R. Comparison of various filters for noise removal in MRI brain image / S.R. Anisha, J. V. Krishnan//International Conference on Futuristic Trends in Computing and Communication. —2015. —P. 68-73.

12. Oulhaj, H. Noise reduction in medical imaging - comparison of noise removal algorithms/ H. Oulhaj, A. Amine, M. Aziza, D. Aboutajdine // International Conference on Mathematics and Computer Science. —2012. — PP. 344-349.

13. McRobbie, D. W. MRI From Picture to Proton Cambridge University Press/ E. A. Moore, M. J. Graves and M. R. Graves. — New York: Cambridge University Press, 2003. — 411 P.

14. Sulaiman, S. N. Denoising of Noisy MRI Brain Image by Using Switching-based Clustering Algorithm/ S.N. Sulaiman, S.M. Che Ishak, I.S. Isa, N. Hamzah. / Energy, Environment, Biology and Biomedicine. — 2014. — PP. 33-39.

15. Гонсалес, Р.С. Цифровая обработка изображений / Р.С. Гонсалес, Р.Э. Вудс. — М.: Техносфера, 2005. — 1072 с.

16. Kanwaljot, S. S. Medical Image Denoising In The Wavelet Domain Using Haar And DB3 Filtering/ S. S. Kanwaljot, S. K. Baljeet, S.V. Ishpreet // International Refereed Journal of Engineering and Science (IRJES) . — 2012. — Vol. 1. — Issue 01. — PP. 001-008.

17. Balafar, M.A. Review of noise reducing algorithms for brain MRI images/ M.A. Balafar// International Journal on Technical and Physical Problems of Engineering (IJTPE). — 2012. — Vol. 4. — Issue 13. — PP. 54-59.

18. Bhausaheb, S. Noise Detection and Removal Filtering Techniques in Medical Images / S. Bhausaheb, A.R. Dani // International Journal of Engineering Research and Applications (IJERA). —2012. — Vol. 2. — Issue 4. — PP. 311-316.

19. Xiaofeng, Yang. A wavelet multiscale denoising algorithm for magnetic resonance (MR) images / Yang Xiaofeng, Baowei Fei// Measurement science and technology. —2011. — Vol. 22. —PP. 110-122.

20. Bhumika, Gupta. Image Denoising with Linear and Non-Linear Filters: A REVIEW/ Gupta Bhumika, Shailendra Singh Negi//International Journal of Computer Science Issues. —2013. — Vol. 2. — Issue 6. —PP. 1694-1700.

21. Pavithra, R. Wavelet Based Non Local Means Algorithm for Efficient Denoising of MRI Images / R. Pavithra, R. Ramya, G. Alaiyarasi// International Journal of Advanced Research in Computer and Communication Engineering. —2015. — Vol. 4. — Issue 2. — PP. 388-392.

22. Priya, C.N. Comparative Analysis of Various Denoising Techniques for MRI Images/ C.N. Priya, G. Suganthi//International Journal of Science and Research. —

2013. — Vol. 4. — Issue 8. — PP. 1437-1440.

23. Ruchika Chandel. Image Filtering Algorithms and Techniques: A Review/ Ruchika Chandel, Gaurav Gupta //International Journal of Advanced Research in Computer Science and Software Engineering. —2013. — Vol. 3. — Issue 10. — PP. 198-202.

24. Bala, A.A. Image Denoising Method Using curvelet Transform and Wiener Filter/ A.A. Bala, C. Hati, C.H. Punith// International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering. —2014. — Vol. 3. — Issue 01. — PP. 6943-6950.

25. Григорьев, Д.С. Применение вейвлет- и курвлет-преобразований в задачах шумоподавления на изображениях/ Д.С. Григорьев// Вестник науки Сибири. —

2014. — № 4. — Т. 14 — С. 95-100.

26. Бондина, Н.Н. Сравнительный анализ алгоритмов фильтрации медицинских изображений/ Н.Н. Бондина, А.С. Калмычков, В.Э. Кривенцов// Вестник НТУ "ХПИ". —2012. — № 38. — С. 14-26.

27. Верхлютов, В.М., Гапиенко Г.В. Обзор методов сегментации и триангуляции данных МРТ/ В.М. Верхлютов, Г.В. Гапиенко. — М.: Институт высшей нервной деятельности и нейрофизиологии РАН, 2005. — С. 2-18.

28. Поршнев, C.B. Универсальная классификация алгоритмов сегментации изображений /C.B. Поршнев, А.О. Левашкина // Журнал научных публикаций аспирантов и докторантов. — 2008. — №3. — С. 163-172.

29. Rakesh, M. Image segmentation and detection of tumor objects in MR brain images using fuzzy C-means (FCM) algorithm/ M. Rakesh, T. Ravi// International Journal of Engineering Research and Applications. —2012. —Vol. 2. — Issue 3. — PP.20882094.

30. Kharrat, A. Detection of brain tumor in medical images/A. Kharrat, N. Benamrane, M. Ben Messaoud, M. Abid //International Conference on Signals, Circuits and Systems. —2009. —Vol. 9. — PP.1-6.

31. Дороничева, А.В. Методы распознавания медицинских изображений для задач компьютерной автоматизированной диагностики/А.В. Дороничева, С.З. Савин// Современные проблемы науки и образования. —2014. —№4. — C.53-64.

32. Жук, С.В. Обзор современных методов сегментации растровых изображений / С.В. Жук// Известия волгоградского государственного технического университета. — 2009. — №6. — C. 115-118.

33. Hakeem, A.A. A new approach to image segmentation for brain tumor detection using pillar k-means algorithm/ A. A. Hakeem, R. Tirumala, I.A. Mohammed // International Journal of Advanced Research in Computer and Communication Engineering. —2013. —Vol. 2. —Issue 3. —PP. 1429-1436.

34. Скобцов, Ю.А. Компьютерная система сегментации медицинских изображений методом роя частиц / Ю.А. Скобцов, С.А. Эль-Хатиб// Вестник НТУ "ХПИ". —2015. — № 33. — С. 144-151.

35. Piekar, E. Application of region growing method to brain tumor segmentation-preliminary results/ E. Piekar, P. Szwarc, A. Sobotnicki, M. Momot// Journal of medical informatics & technologies. —2013. —Vol. 22. —PP. 153-160.

36. Priyanka. A review on brain tumor detection using segmentation/ Priyanka, S. Balwinder// International Journal of Computer Science and Mobile Computing (IJCSMC). —2013. — Vol. 2. — Issue 7. — PP. 48-54.

37. Dhanasekaran, R. MRI brain image segmentation techniques - a review/ R. Dhanasekaran, D. Selvaraj// Indian Journal of Computer Science and Engineering (IJCSE). —2013. — Vol. 4. —№ 5. — PP. 364-381.

38. Kimmi, Verma. Image processing techniques for the enhancement of brain tumor patterns/ Kimmi Verma, Aru Mehrotra, Vijayeta Pandey, Shardendu Singh// International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering. —2013. — Vol. 2. — Issue 4. — PP. 1611-1615.

39. Pavani, M. An approach for segmentation of medical images using pillar K-means algorithm/ M. Pavani, S. Balaji //International Journal of Computer Trends and Technology (IJCTT). —2013. — Vol. 4. — Issue 4. — PP. 636-641.

40. Mohamed, N.A. A Modified Fuzzy C-Means Algorithm for Bias Field Estimation and Segmentation of MRI Data/ N.A. Mohamed, M.Y. Sameh, Nevin Mohamed, A.F. Aly, Thomas Moriarty// IEEE Transactions On Medical Imaging. —2002. — Vol. 21. — № 3. — PP.193-199.

41. Logeswari, T. Karnan M. An Improved Implementation of Brain Tumor Detection Using Segmentation Based on Hierarchical Self Organizing Map. International Journal of Computer Theory and Engineering.—2010. — Vol. 2. — № 4. — PP.591595.

42. Bansal, S. Performance Analysis of Color Based Region Split and Merge and Otsu's Thresholding Techniques for Brain Tumor Extraction/ S. Bansal, R. Maini // Journal of Engineering Research and Applications.—2013. — Vol. 3. — Issue 4. — PP.1640-1643.

43.Otsu, N. A Threshold Selection Method from Gray-Level Histograms / Otsu N.// IEEE Transactions on Systems, Man, and Cybernetics.—1979.—Vol. 9.— №1. -PP. 62-66.

44. Cuadra, M. B. Atlas-based segmentation of pathological brains using a model of tumor growth/ M. B. Cuadra, C. Pollo, A. Bardera, O. Cuisenaire, J.G. Villemure, J.P. Thiran // Medical Image Computing and Computer Assisted Intervention Society.—2003. -PP. 150-156.

45. Журавель И.М. Краткий курс теории обработки изображений Электронный ресурс. /Консультационный центр MATLAB. — Режим доступа: http://matlab.exponenta.rU/imageprocess/book2/3 l.php (дата обращения: 12.03.2017).

46. Monica, S.M. Brain MR image segmentation for tumor detection using artificial neural networks/ S.M. Monica, K.S. Sarat //International Journal of Engineering and Technology.—2013.—Vol. 5.— № 2.— P. 925-933.

47. Хайкин, Саймон. Нейронные сети: польный курс, 2-е изд.: Пер. с англ. - М.: ООО «И. Д. Вильямс», 2006.—1104 с.

48. Manoj K Kowar. Brain Tumor Detction and Segmentation Using Histogram Thresholding/ Manoj K Kowar, Sourabh Yadav// International Journal of Engineering and Advanced Technology (IJEAT).—2012.—Vol. 1.— Issue 4.— PP. 16-20.

49. Rajesh, C. P. Brain Tumour Extraction from MRI Images Using MATLAB/ C. P.Rajesh, A. S. Bhalchandra// International Journal of Electronics, Communication & Soft Computing Science and Engineering.—2012.—Vol. 2.— Issue 1.— PP. 8791.

50. Mikulka, J. Comparison of Segmentation Methods in MR Image Processing/ J. Mikulka, E. Gescheidtova, K. Bartusek, and D. Nespor// Progress In Electromagnetics Research Symposium Proceedings, KL, MALAYSIA, .—2012.— PP. 429-432.

51. Kass, M. Snakes: Active contour models/ M. Kass, A. Witkin, D. Terzopoulos. // International Journal of Computer Vision.—1988.—Vol. 1.— PP. 321-331.

52. Maryana de Carvalho Alegro. Computerized brain tumor segmentation in magnetic resonance imaging/ Maryana de Carvalho Alegro, Edson Amaro Junior, Rosei de Deus Lopes// Einstein.—2012.—Vol. 10.— №2.—PP. 158-163.

53.Haralick R.M. Statistical and structural approaches to texture / R.M. Haralick //Proc. IEEE Inst. Electr. Electron. Eng.—1979.—Vol. 67.— №5.— PP. 786-804.

54. Azian, A.A. Design of Cellular Neural Network (CNN) Simulator Based on Matlab for Brain Tumor Detection/ A.A. Azian, S.C. Bu, Z. Zulkarnay // Journal Medical Imaging Health Informatics.—2012.—Vol. 2.— №3.— PP. 1-11.

55. Noor Elaiza Abdul Khalid. MRI Brain Abnormalities Segmentation using K-Nearest Neighbors (k-NN)/ Noor Elaiza Abdul Khalid, Shafaf Ibrahim, Puteri Nurain Megat Mohd Haniff// International Journal on Computer Science and Engineering (IJCSE). —2011.—Vol. 3.— № 2.— PP. 980-990.

56. Srimani, P.K. A Comparative Study of Different Segmentation Techniques for Brain Tumour Detection/ P.K.Srimani, Shanthi Mahesh // I International Journal of Emerging Technologies in Computational and Applied Sciences (IJETCAS). — 2013.—Vol. 13.— PP. 192-197.

57. Ramesh, Jain. Machine vision/ Ramesh Jain, Rangachar Kasturi, Brian G. Schunck. —McGraw-Hill. Inc. 1995.—572 p.

58.2-D adaptive noise-removal filtering, [электронный ресурс]. — Режим доступа: https: //www. mathworks. com/help/images/ref/wiener2. html (дата обращения: 15.03.2017).

59.Aggelos K. K. Основы обработки цифровых видео и изображений. [электронный ресурс]. — Режим доступа: https://www.coursera.org/ course/digital (дата обращения 05.04.2017).

60.MATLAB Exponenta. Фильтрация изображений. [электронный ресурс]. — Режим доступа: http: //matlab. exponenta. ru/imageprocess/book3/11 /fspecial. php (дата обращения 05.04.2017).

61. Стругайло, В.В. Обзор методов фильтрации и сегментации цифровых изображений / В.В. Стругайло// Наука и образование. — 2012. — №5. — 270-281 с.

62. Цифровая обработка изображений в информационных системах: Учеб. пособие. И.С. Грузман, В.С. Киричук, В.П. Косых, Г.И. Перетягин, А.А. Спектор. — Новосибирск: Изд-во НГТУ. — 2002. — 352 c.

63. Семенов, С.И. Информационно-диагностическая система для онкологии/ С.И. Семенов. — Владимир: Рост. — 2002. — 208 c.

64. Marcos Martin-Fernandez. The EM Method in a Probabilistic Wavelet-Based MRI Denoising/ Marcos Martin-Fernandez, Sergio Villullas // Computational and Mathematical Methods in Medicine. — 2015. — Vol. 5. — P. 1-21.

65. Халецкая, И.А. О.Ю. Лысак, Латышев А.Ю. Алгоритмы бинаризации медицинских изображений/ И.А. Халецкая, О.Ю. Лысак, А.Ю. Латышев// ТУСУР, РТФ. — 2012. — P. 1-21.

66. Козлов, Ж. Обнаружение объектов методом Оцу. [электронный ресурс]. — Режим доступа: https://habrahabr.ru/post/112079/ (дата обращения 03.01.2017).

67. Mehmet Sezgin. Survey over image thresholding techniques and quantitative performance evaluation/ Mehmet Sezgin, Burlent Sankur// Journal of Electronic Imaging. —2004.—Vol. 13.— № 1.— PP. 146-165.

68. Bernsen, J. Dynamic thresholding of gray level images/ Bernsen, J.//ICPR'86: Proc. Intl. Conf. Patt. Recog. — 1986. — PP. 1251-1255.

69. Niblack, W. An Introduction to Image Processing. Prentice-Hall: Englewood Cliffs, NJ. — 1986. — 345 p.

70. Федоров, А. Бинаризация черно-белых изображений: состояние и перспективы развития [электронный ресурс]. — Режим доступа: http://it-claim.ru/Library/Books/ITS/wwwbook/ist4b/its4/fyodorov.htm (дата обращения 03.01.2017).

71. Артюхова, О. А. Разработка алгоритма автоматической сегментации флуоресцентно-микроскопических изображений препаратов клеточных культур для задач микробиологии/ О. А. Артюхова, А. В. Самородов // Наука и образование. — 2013. — № 6. — С. 275-288.

72. Чуриков, А. Ю. Метод адаптивной бинаризации в реальном времени изображений со слабой контрастностью/ А. Ю. Чуриков //Вестник Балтийского федерального университета им. И. Канта. — 2010. — № 10. — С. 74-78.

73. Прэтт, У. Цифровая обработка изображений: Пер. с англ. — М.: Мир, 1982. — Кн. 2 — 480 с.

74. Борисов, Ю.В. Сравнительный анализ методов сегментации изображения для выделения лиц/ Ю.В. Борисов // Решетневские чтения. — 2012. — Т. 2 — № 16. — С. 596.

75. Романов, С. А. Лепешкин О. М., Стоянов Ю. П. Анализ методов сегментации изображений/ С. А. Романов, О. М. Лепешкин, Ю. П. Стоянов // Молодой ученый. — 2010. — №6. — С. 26-28.

76. Панченко, Д.С. Сравнительный анализ методов сегментации изображений/Д.С. Панченко, Е.П. Путятин//РИ. — 1999 — №4. — С. 109-114.

77. Сакович, И.О. Обзор основных методов контурного анализа для выделения контуров движущихся объектов/ И.О. Сакович, Ю.С. Белов // наука и инновации. — 2014 — №12.

78. Современные методы и информационные технологии тематической обработки данных ДЗЗ: Метод. указания. В.Н. Копенков. — Самара: Изд-во СГТУ. — 2010. — 51 c.

79.Shawn Lankton. Localizing Region-Based Active Contours / Shawn Lankton, Allen Tannenbaum// IEEE Transactions On Image Processing. —2008.—Vol. 17.— № 11. PP. 2029-2039.

80. Радиология и радиохирургия. МРТ головы и головного мозга [электронный ресурс]. — Режим доступа: http://www.rusmedserv.com/radiology/mri-of-the-head/ (дата обращения 03.01.2017).

81. Health Line. Head MRI [электронный ресурс]. — Режим доступа: http : //www.healthline .com/health/head-mri#results5 (дата обращения 03.01.2017).

82. Codonics Clarity Viewer. [электронный ресурс]. — Режим доступа: http://www.codonics.com/Products/Viewers/clarity.php (дата обращения 03.01.2017).

83. Radiant Dicom Viewer. [электронный ресурс]. — Режим доступа: http : //www.radiantviewer.com/ru/ (дата обращения 03.01.2017).

84. Бобкова, Анастасия. Исследование методов удаления спекл-шумов на ультразвуковых изображениях/ Анастасия Бобкова, Сергей Поршнев, Василий Зюзин, Владимир Бобков// The 23rd International Conference on Computer Graphics and Vision (GraphiCon'2013). —2013.—№ 1.— С. 244-246.

85. Senthilkumaran N. Image segmentation by using thresholding techniques for medical images/ N. Senthilkumaran, S. Vaithegi //Computer Science & Engineering. —2016.—Vol. 6.— № 1.— PP. 1-13.

86.Yuan Been Chen. Image Segmentation Method Using Thresholds Automatically Determined from Picture Contents/ Yuan Been Chen, Oscal T.-C. Chen// Journal on Image and Video Processing. —2009.—Vol. 5.— PP. 1-15.

87. MARCO'S BLOG. [электронный ресурс]. — Режим доступа: http://marco-za.blogspot.ru/2007/09/under-vs-oversegmentation. html (дата обращения 13.01.2017).

88. Altami software. [электронный ресурс]. — Режим доступа: http://altamisoft.ru/products/altami studio/user manual AS 3 1 0/filters/morpholo gical operations/dilate/ (дата обращения 17.01.2017).

89. Representativeness of data. [электронный ресурс]. — Режим доступа: http://www.basegroup.ru/glossary/definitions/representativeness (дата обращения 17.01.2017).

90. Барсегян А.А., Куприянов М.С., Кузнецов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP [Текст] — 2-е изд. перераб. и доп. — СПб.: БХВ- Петербург, 2007. — 384 с.

91. Shilpa Kamd. Image Segmentation and Region Growing Algorithm / Shilpa Kamd, R.K. Krishna// International Journal of Computer Technology and Electronics Engineering.—2013.—Vol. 2.— Issue 1.— PP. 103-107.

92. Filtering and Smoothing Data. [электронный ресурс]. — Режим доступа: https: //www. mathworks .com/help/curvefit/smoothing-data. html (дата обращения 23.01.2017).

93.Алгоритм скользящего среднего. [электронный ресурс]. — Режим доступа: http://www.basegroup.ru/glossary/definitions/representativeness (дата обращения 23.01.2017).

94. Дмитриев, Г. А. Автоматическое выделение области острого ишемического инсульта на МРТ-изображениях/ Г.А. Дмитриев, А. В. Кирсанова, В.А.А Аль-бахели// Прикаспийский журнал управление и высокие технологии.—2014.— №4.— С. 166-174.

95.Сайт Компании Mathworks . [электронный ресурс]. — Режим доступа: http s: //www. mathworks хр^^ата обращения 26.01.2017).

96.Babalola K.O. Comparison and Evaluation of Segmentation Techniques for Subcortical Structures in Brain MRI/ K.O. Babalola, B. Patenaude, P. Aljabar, J. Schnabel, D. Kennedy, W. Crum, S. Smith, T.F. Cootes, M. Jenkinson, D. Rueckert// MICCAI.— 2008.— PP. 409-416.

97.Betty R.K. Essential Medical Statistics/ Betty R.K., Jonathan A.C. — Blackwell publishing.— 2nd ed., 2009.— 513 p.

98.Bjoern H. Menze and others/The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS)// IEEE Transactions on Medical Imaging.— 2015.—Vol.34 .—Issue 34. — PP 1 - 33.

99.Ran Shi. Jaccard index compensation for object segmentation evaluation/ Ran Shi, King Ngi Ngan, Songnan L.I.// IEEE ICIP.—2014.— PP 4457 - 4461.

100. Anthony K Akobeng. Understanding diagnostic tests 1: sensitivity, specificity and predictive values/ Anthony K Akobeng// Acta P^diatrica.— 2006.— Vol.96.— PP. 338-341.

101. Трухачёва, Н.В. Математическая статистика в медико-биологических исследованиях с применением пакет Statistica/ Н.В. Трухачёва. — М.:— ГЭОТАР-Медиа, 2012.— 384 с.

102. Диаграмма размаха. [электронный ресурс]. — Режим доступа: http://statistica.ru/glossary/medicine/diagramma-razmakha/ (дата обращения 26.01.2017).

103. Ящик с усами. [электронный ресурс]. — Режим доступа: https://ru.wikipedia.org/wiki/ (дата обращения 26.01.2017).

104. Гонсалес, Р. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р. Вудс, С. Эддинс. Перевод с английского В.В. Чепыжова. — М.:— Техносфера, 2006.— 618 с.

105. T. F. Chan. Active contours without edges/ T. F. Chan, L. A. Vese // IEEE Transactions on Image Processing. — 2001.— Vol. 10. —Issue 2. — PP. 266-277.

106. Обработка сигналов и изображений. [электронный ресурс]. — Режим доступа: http://matlab.exponenta.ru/imageprocess/book3/9/regionprops.php (дата обращения 04.02.2017).

107. Методы определения объема выборки. [электронный ресурс]. — Режим доступа: http: //managment-study.ru/metody-opredeleniya-obema-vyborki. html (дата обращения 06.02.2017).

108. Maxine Offredy. Developing a Healthcare Research Proposal: An Interactive Student Guide/ Maxine Offredy, Peter Vickers. — UK.:— Wiley-Blackwell, 2010.— 292 p.

109. Абдулракеб, А.Р. Сравнительное исследование эффективности алгоритмов подавления шума на МРТ-изображениях головного мозга/ А.Р. Абдулракеб, Л.Т. Сушкова, К.В. Чирков // наукоемкие технологии.— 2015.— т. 16.— № 11.— С. 62-68.

110. Abdulraqeb, A.R. The Results of Denoising Algorithms Comparison On Magnetic Resonance Images/ A.R. Abdulraqeb, Sushkova LT., M. Abounassif, P. Parameaswari, M. Muteb // RGC .— 2016.— Suzdal.— P. 123-127.

111. Кетков, А. MATLAB 7. Программирование, численные методы/ А. Кетков, Ю. Кетков, М. Шульц. — СПБ.:— БХВ-Петербург, 2005.— 752 с.

112. AL-Nabhi Afif. Pattern of cancer in Yemen: first result from the national oncology center, Sana'a, 2007/ Afif AL-Nabhi, A.M. Algharati, Gamal Abdul Hamid, Abdul Whab Al-Nehmi, Ahmed Shamlan// European journal of pharmaceutical and medical research.— 2017. — Vol.4 .—Issue 1. — PP. 149-157.

113. Абдулракеб А.Р. Обзор методов сегментации опухолей на МРТ-изображениях головного мозга/ А.Р. Абдулракеб, Л.Т. Сушкова, Н.А. Лозовская//прикаспийский журнал: управление и высокие технологии.— 2015.— т. 1.— № 29.— С. 192-208.

114. Ежова К.В. Моделирование и обработка изображений: Учебное пособие. — СПб.: НИУ ИТМО. — 2011. — 93 с.

115. Грузман, И.С. Математические задачи компьютерной томографии/ И.С. Грузман// Соросовский образовательный журнал.— 2001.— т. 7.— № 5.— С. 117-121.

116. Эль-Хатиб, С.А. Сегментация изображений с помощью смешанного и экспоненциального алгоритмов роя частиц/ С.А. Эль-Хатиб// информатика и кибернетика.— 2015.— № 1.— С. 126-133.

117. Zhuxian Zhou. Gadolinium-Based Contrast Agents for MR Cancer Imaging /Zhuxian Zhou, Zheng-Rong Lu// Wiley Interdiscip Rev Nanomed Nanobiotechnol.— 2014.— Vol. 5. — № 1.— PP. 1-18.

118. Catherine A. Peters. Statistics for Analysis of Experimental Data/ Catherine A. Peters// Environmental Engineering Processes Laboratory Manual.— 2001.— № 4.— PP. 1-25.

119. Reidar ksnevad. DICOM - Digital Imaging and Communications in Medicine INF5081[Text] / Reidar ksnevad, Pedro Cruz // Varsemester Wolfgang Leister .— 2007.—P. 11.

120. Gregory K. Wallace. The JPEG Still Picture Compression Standard/ Gregory K. Wallace// IEEE Transactions on Consumer Electronics.— 1991.— PP. 1-17.

121. Alan Jose. Brain Tumor Segmentation Using K-Means Clustering And Fuzzy C-Means Algorithms And Its Area Calculation / Alan Jose, S. Ravi, M. Sambath// International Journal of Innovative Research in Computer and Communication Engineering.— 2014.— Vol. 2. — Issue 3.— PP. 3496-3501.

122. Yogita Sharma. Detection and Extraction of Brain Tumor from MRI Images Using K-Means Clustering and Watershed Algorithms/ Yogita Sharma, Yogita

Sharma, Parminder Kaur// International Journal of Computer Science Trends and Technology.— 2015.— Vol. 3. — Issue 2.— PP. 32-38. 123. Bjoern Menze. Proceedings of the MICCAI Challenge on Multimodal Brain Tumor Image Segmentation/ Bjoern Menze, Mauricio Reyes, Andras Jakab, et al. // MICCAI, Nagoya, Japan.— 2013.— PP. 57-57.