Аналитические и процедурные модели анализа изображений для системы поддержки принятия решений врачом маммологом тема диссертации и автореферата по ВАК РФ 05.25.05, кандидат наук Карасев Павел Игоревич

• Карасев Павел Игоревич
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Карасев Павел Игоревич

ВВЕДЕНИЕ

1 СОВРЕМЕННОЕ СОСТОЯНИЕ ВОПРОСА РАСПОЗНАВАНИЯ ГРАФИЧЕСКИХ ОБЪЕКТОВ В МЕДИЦИНСКИХ ИНФОРМАЦИОННЫХ СИСТЕМАХ

1.1.1 Способы обследования и диагностирования молочной железы

1.1.2 Место и роль маммографического обследования в диагностировании патологий молочной железы

1.2 Обзор технических и программных средств обработки маммограмм

1.2.1 Технические средства обработки маммограмм

1.2.2 Программное обеспечение для работы с маммограммами

1.3 Анализ подходов к решению задачи распознавания графических объектов в информационных системах

1.3.1 Общая концепция методик распознавания

1.3.2 Распознавание на основе словарей признаков

1.3.3 Обучающиеся системы

1.3.4 Оптимизация и повышение точности

1.3.5 Методы распознавания на основе кластеризации

1.3.6 Последовательные схемы

1.4 Анализ методов фильтрации графических объектов

1.4.1 Бинаризация изображения по определенному порогу

1.4.2 Классические способы фильтрации

1.4.3 Вейвлет-преобразование

1.4.4 Корреляция цифровых изображений

1.4.5 Фильтрация функций

1.4.6 Преобразование Хафа

1.4.7 Фильтрация контуров

1.4.8 Прочие фильтры

1.5 Анализ методов логической обработки результатов фильтрации графических объектов

1.5.1 Контурный анализ

1.5.2 Код Фримена

1.5.3 Поиск особых точек

1.6 Анализ методов обучения информационных систем распознавания графических объектов

1.6.1 Классификация в одномерном пространстве признаков

1.6.2 Классификатор AdaBoost

1.6.3 Классификатор SVM

1.6.4 Классификатор на основе нейронной сети

1.7 Выводы по главе 1. Постановка задачи на исследование

2 МОДЕЛИ И МЕТОДЫ РАСПОЗНАВАНИЯ ГРАФИЧЕСКИХ ОБЪЕКТОВ В МЕДИЦИНЕ

2.1 Метод сегментации изображений молочной железы при помощи модели улучшенного пространственного алгоритма нечеткой кластеризации

2.1.1 Обычный алгоритм нечеткой кластеризации

2.1.2 Инициализация

2.1.3 Предложенный улучшенный пространственный алгоритм нечеткой кластеризации

2.2 Метод сегментации изображений молочных желез с помощью вероятностного алгоритма нечёткой кластеризации

2.2.1 Модифицированный алгоритм нечеткой кластеризации

2.2.2 Вероятностный алгоритм кластеризации

2.2.3 Нечёткий вероятностный алгоритм кластеризации

2.2.4 Адаптивная система нейро-нечеткого вывода

2.3 Выводы по второй главе

3 UML МОДЕЛИ ИНФОРМАЦИОННОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ ВРАЧА МАММОЛОГА

3.1 Классификация типов диаграмм UML

3.2 Диаграмма классов

3.3 Диаграммы последовательности

3.4 Диаграмма деятельности

3.5 Диаграмма прецедентов

3.6 Диаграмма компонентов

3.7 Диаграмма развертывания

3.8 Выводы по третьей главе

4 РЕЗУЛЬТАТЫ РАБОТЫ ИНФОРМАЦИОННОЙ СИСТЕМЫ

ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ ВРАЧА ОНКОЛОГА-МАММОЛОГА

4.1 Работа интерфейса

4.2 Структура программного комплекса и описание блоков

4.3 Анализ и статистическая обработка результатов исследования

4.3.1 Ошибки первого рода

4.3.2 Ошибки второго рода

4.4 Анализ работы аналитической и процедурной моделей улучшенного пространственного алгоритма нечеткой кластеризации

4.5 Анализ работы аналитической и процедурной моделей предложенного вероятностного алгоритма нечеткой кластеризации

4.6 Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А: Материалы по внедрению результатов исследования

Введение диссертации (часть автореферата) на тему «Аналитические и процедурные модели анализа изображений для системы поддержки принятия решений врачом маммологом»

ВВЕДЕНИЕ

Актуальность темы исследования. Согласно официальной статистике Всемирной организации здравоохранения, патологии молочной железы разной степени тяжести встречаются у женщин чаще каких-либо других заболеваний. Наибольшую опасность представляет рак молочной железы, которым заболевает порядка 20% всех европейских женщин до достижения 75 лет.

Среди онкологических заболеваний у женщин рак молочной железы (РМЖ) также имеет наибольшую частотность. В европейском регионе на его долю приходится 28% всех раковых заболеваний (на втором месте находится колоректальный рак с показателем 13,2%, что более чем в два раза меньше). Статистика по смертности от онкологических заболеваний также свидетельствует о высокой опасности РМЖ, на долю которого приходит 17% всех смертельных исходов, связанных с онкологией.

В России статистические данные несколько отличаются из-за иного подхода к ранней диагностики онкологических и прочих заболеваний молочной железы. В последние десятилетия наблюдается рост количества впервые выявленного РМЖ. В 1992 году этот показатель составил 45 случаев на 100 тысяч женского населения, в 2001 - 59 случаев, а в 2010 - уже 75. Несмотря на совершенствование методов, а также расширение аудитории, проходящей регулярные профилактические осмотры, процент своевременного выявления онкозаболеваний МЖ в нашей стране остаётся достаточно низким.

Ранняя диагностика онкологических заболеваний позволяет значительно повысить шансы на полное выздоровление, тогда как опухоли, обнаруженные на поздних стадиях, плохо поддаются лечению. Большая запущенная опухоль не только сложнее излечивается, но и может стать причиной различных осложнений, метастазирования и рецидивов. Своевременная диагностика позволяет производить эффективное лечение с применением только терапевтических средств, благодаря чему в перспективе будет возможно значительно снизить женскую смертность от рака молочной железы во всем мире.

Большинство поликлиник на сегодняшний день оснащены устаревшими аналоговыми устройствами для маммографических исследований, не позволяющими преобразовывать результат обследования в цифровой вид с целью автоматического анализа. Возможности по выявлению патологий на ранних стадиях у таких машин крайне низки, и даже обнаруженные неестественные образования идентифицировать порой очень сложно.

Кроме того, работая с аналоговыми снимками, невозможно сформировать нормальную базу для каждой пациентки, что позволило бы прослеживать динамику развития заболевания. Сами пациентки, как правило, небрежно относятся к старым снимкам, считая находящуюся на них информацию неактуальной. Решить данную проблему можно только с полным переходом на цифровые маммографы и специализированное программное обеспечение, позволяющее систематизировано хранить и анализировать результаты исследований.

С целью компьютерной обработки, систематизации и хранения аналоговые снимки могут оцифровываться, но возможности работы с ними всё равно несколько ограничены. Тем не менее, такой подход позволяет значительно оптимизировать процесс диагностики, автоматизировав его и добавив возможность прослеживать динамику развития заболевания с помощью современных программных средств. В частности, диагностический инструментарий медиков при этом пополнится такими возможностями как изменение контраста и яркости маммограмм, обработка с помощью специфических фильтров, а также более точное вычисление размеров новообразований, обнаруженных в тканях.

К сожалению, мощное и функциональное программное обеспечение современных маммографов является полностью проприетарным и распространяется в комплекте с аппаратами. Медикам, вынужденным работать с аналоговыми методами обследования, приходится довольствоваться простейшим программным обеспечением с минимумом возможностей. Таким образом, в России выявление посторонних новообразований в молочных железах на ранней

стадии сильно затруднено по причине недостатка средств для полноценного анализа результатов обследования (как аппаратных, так и программных).

Перечисленные проблемы делают особенно актуальной потребность в разработке автоматизированных систем для каталогизации, обработки и анализа маммограмм. Медицинские центры России нуждаются в качественных и функциональных аналогах зарубежных программно-аппаратных комплексов для своевременного выявления и идентификации патологических новообразований в МЖ. При этом именно от качества программной части будет зависеть скорость и точность обработки каждого снимка. Кроме того, наличие базы данных, объединяющей десятки тысяч клинических случаев с разной динамикой развития болезни, позволить значительно повысить объективность диагноза.

Компьютерные технологии уже давно применяются в медицине. Так, информационные системы поддержки принятия решения при диагностировании активно внедряются с конца 60ых годов прошлого века. Такие программы эффективно используются в различных медицинских направлениях, например, в хирургии. Это возможно благодаря такому фактору как существование объективных методов по выявлению симптомов.

И хотя на протяжении последних 30 лет проводились исследования в области автоматизированной постановки диагноза, их результаты не получили широкого признания в медицинских кругах.

Сегодня врачам-онкологам приходится сталкиваться в работе с большими объёмами информации. Даже врачам с большим опытом трудно учитывать все характеристики исследуемых пациентов, которые могут оказать влияние на решение по пациентам, что в итоге отражается на точности и эффективности принятия решения. Это позволит получать максимально точные результаты в решении вопросов диагностики.

Методы, связанные с расширением возможностей сегментации медицинских, изображений представлены в работах Batouche M., Mazouzi S., Jinhua Yu, Yuanyuan Wang, Hadi Sadoghi Yazdi, Jalal A. Nasiri, G.Sudhavani, K.Sathyaprasad, B.Sowmya, B.Sheelarani, Agus Zainal Arifin, Akira Asano, S.

Murugavalli, V. Rajamani, T. Bala Ganesan, R. Sukanesh, H. C. Sateesh Kumar, Gabriel Thomas, Kenji Suzuki, Kazunori Okada, Ingrid Sluime, Ghosh, M. Antonelli, Xujiong Ye, Wang.

Алгоритмы обработки и анализа маммограмм представлены в работах Moradmand H., Setayeshi S., Karimian A.R., Sirous M., Esmaeil M. Garg R., Mittal B., Garg S. Anguh M., A. Silva и др. В России практически не ведутся исследования по автоматизированной обработке и анализу маммографических снимков.

На мировом рынке существует несколько фирм, предлагающих компьютерные системы обработки маммограмм (от англ. Computer Aided Detection). Самые распространенные CAD системы: AccuDetect, Second Look Digital, The MAMMEX MammoCAD, TotalLook MammoAdvantage, syngo MammoCAD, Fujifilm's Digital Mammography System, но ни одна из фирм, производящих коммерческие CAD системы не раскрывает алгоритмы предварительной обработки, сегментации, распознавания маммографических снимков. Стоимость коммерческой CAD системы не отличается от стоимости цифрового маммографического аппарата.

В связи с вышесказанным актуальной является разработка автоматизированной системы обработки и анализа маммограмм, которая будет недорогим и тиражируемым аналогом существующих зарубежных компьютерных систем диагностики новообразований в молочной железе, позволит провести обработку как скрининговых, так и снимков обследования, сократить время обработки и анализа каждого снимка, получить новые данные о динамике развития опухолей, повысить точность и объективность диагноза за счет использования большего количества данных, сформировать единую базу данных обследований и вести статистические исследования по различным параметрам.

Вышесказанное определяет практическую задачу - повышение эффективности работы врача маммолога в постановке правильного диагноза путём создания информационной системы, для решения которой необходимо

рассмотреть научную задачу, заключающуюся в разработке моделей: аналитических, которые повысят процент правильной диагностики новообразования молочной железы, и процедурных, описывающих алгоритмы работы системы.

Объект исследования: информационные системы поддержки принятия решения врача.

Предмет исследования: нечеткие аналитические и процедурные модели для информационной системы поддержки принятия решения врача маммолога.

Цель и задачи исследования. Целью исследования является повышение эффективности диагностики патологии молочной железы за счет применения ИСППР врача маммолога, построенной с использованием нечетких аналитических и процедурных моделей обработки маммографических снимков.

Для достижения цели были поставлены следующие задачи:

1) Осуществить обзор и анализ алгоритмов, методов, информационных систем обработки и анализа маммографических снимков.

2) Разработать аналитические модели предварительной обработки маммограмм.

3) Разработать аналитические и процедурные модели выделения областей и идентификации новообразований 2 типов (доброкачественная и злокачественная патологии) на маммографических снимках.

4) Создать ИСППР врача маммолога на основе разработанных моделей.

5) Провести экспериментальную оценку возможностей разработанной системы.

Научная новизна исследования заключается в следующем:

1. Разработана аналитическая и процедурная модель улучшенного пространственного алгоритма нечеткой кластеризации, который отличается введением информации о пространственном расположении в стандартный алгоритм нечеткой кластеризации С-средних с помощью априорной вероятности. Вероятность определяет пространственное влияние соседних пикселей на пиксель в центре, что возможно смоделировать с помощью механизма нечёткой

принадлежности. Новая нечёткая принадлежность текущего центрального пикселя пересчитывается в отношении вероятности, полученной ранее. Алгоритм основан на гистограмме, полученной с помощью стандартного алгоритма нечеткой кластеризации С- средних, что способствует ускорению сходимости метода.

2. Разработаны аналитические и процедурные модели вероятностного алгоритма нечеткой кластеризации, в которых кластеризация рассматривается как вероятностное разделение, а также используется функция принадлежности. Вместо одного слагаемого, в целевую функцию включены два, в результате чего величина принадлежности возрастает без ограничений на максимальное значение.

3. Построены процедурные модели анализа изображений для системы поддержки принятия решений врачом маммологом, отличающихся построением диаграмм классов, последовательности, деятельности, развертывания, прецедентов и компонентов.

Теоретическая и практическая значимость работы. Теоретическая значимость работы обоснованна разработанными моделями предварительной обработки изображения, а также моделями выделения областей и идентификации новообразований 2 типов (доброкачественная патология и злокачественная) на маммографических снимках.

Практическая значимость работы заключается в использовании полученных аналитических и процедурных моделей при реализации информационной системы, применение которых позволит упростить и повысить эффективность работы врача маммолога при постановке диагноза, сократит время приема пациента, повысит точность и объективность обследования.

Методология и методы исследования. Методология исследования основывается на принципах сегментации и кластеризации изображения, контурного анализа и распознавания образов. При решении поставленных задач в работе были использованы методы: нечеткая кластеризация С-средних, теория распознавания образов, математическая статистика, моделирование.

Диссертация выполнена в соответствии с требованиями паспорта специальности 05.25.05 «Информационные системы и процессы» и соответствует пункту 7 «Прикладные автоматизированные информационные системы, ресурсы и технологии по областям применения (технические, экономические, гуманитарные сферы деятельности), форматам обрабатываемой, хранимой, представляемой информации (табличная, текстовая, графическая, документальная, фактографическая, первичная или вторичная). Аналитические, процедурные, информационные модели предметной области (системы принятия групповых решений, системы проектирования объектов и процессов, экспертные системы и др.), включаемые в контур обработки информации и принятия решений».

Положения, выносимые на защиту:

1. Аналитические и процедурные модели улучшенного пространственного алгоритма нечеткой кластеризации.

2. Аналитические и процедурные модели вероятностного алгоритма нечеткой кластеризации.

3. Процедурные модели анализа изображений для системы поддержки принятия решений врачом маммологом.

Степень достоверности и апробация результатов.

Достоверность результатов диссертационного исследования подтверждается достаточным количеством наблюдений, современными методами исследования, которые соответствуют поставленным в работе целям и задачам. Научные положения, выводы и рекомендации, сформулированные в диссертации, подкреплены убедительными фактическими данными, наглядно представленными в приведенных таблицах и рисунках. Подготовка, статистический анализ и интерпретация полученных результатов проведены с использованием современных методов обработки информации и статистического анализа.

Основные результаты представлены и обсуждены на: международной научно-практической конференции «Техника и безопасность объектов уголовно-исполнительной системы» (г. Воронеж, 3 октября 2013г.), международной

научно-практической конференции «Современные предпосылки развития инновационной экономики» (г. Тамбов, 22 апреля 2014г.), II всероссийской научно-практической конференции «Методологические аспекты развития метеорологии специального назначения, экологии и систем аэрокосмического мониторинга» (г. Воронеж, 26-27 мая 2015г.), международной научно-практической конференции «Охрана, безопасность, связь» (г. Воронеж, 27 ноября 2014г.), XVI международной научно-методической конференции «Информатика: проблемы, методология, технологии» (г. Воронеж, 11-12 февраля 2016г.), военно-научной конференции «Роботизация вооруженных сил Российской Федерации» (г. Москва, 12 февраля 2016г.), международной заочной научно-практической конференции «Актуальные направления научных исследований XXI века: теория и практика» (г. Воронеж, 2 ноября 2015г.), всероссийской открытой конференции студентов вузов и молодых исследователей «Взгляд молодых ученых на проблемы региональной экономики» (г. Тамбов, 8 октября 2015 г.), XI открытой всероссийской конференции «Преподавание информационных технологий в Российской Федерации» (г. Воронеж, 16-17 мая 2013 г.), III международной научно-практической конференции «Виртуальное моделирование, прототипирование и промышленный дизайн» (г. Тамбов, 15-17 ноября 2016 г.), а так же на семинарах кафедры «Информационные системы и защита информации» ФГБОУ ВО «Тамбовский государственный технический университет».

Внедрение результатов исследования. Программная реализация аналитических и процедурных моделей анализа изображений для СППР врачом маммологом использованы для повышения эффективности работы врачей онкологов ГБУЗ «Тамбовский областной онкологический клинический диспансер».

Аналитические и процедурные модели анализа изображений для СППР врачом маммологом использованы в в/ч 61460 для анализа изображений, полученных с использованием БЛА.

Результаты диссертационной работы используются в учебном процессе на кафедре «Информационные системы и защита информации» ФГБОУ ВО «ТГТУ».

Публикации. По теме диссертации опубликовано 23 работы, в том числе 7 статей в изданиях, рекомендованных ВАК при Минобрнауки РФ.

Выносимые на защиту результаты получены лично соискателем. В тех публикациях, которые были написаны в соавторстве, личный вклад автора заключается в: проектировании аналитических и процедурных моделей выделения областей и идентификации новообразований, разработке предлагаемых алгоритмов сегментации и кластеризации медицинских изображений.

Структура и объём работы. Диссертация состоит из оглавления, введения, четырех глав и списка источников, который содержит 153 наименований, и 1 приложения. Полный объём диссертации составляет 178 страниц. Список источников состоит из 17 страниц. Основной текст работы включает 56 рисунков и 7 таблиц.

Введение содержит обоснование актуальности выбранной темы и описание степени её исследованности, сформулированную цель работы и постановку задач, необходимых для достижения цели, описаны научная новизна работы, её техническая и практическая значимость, методы, применяемые во время исследования, положения, выносимые на защиту, степень достоверности результатов исследования и их апробации, информацию о публикациях автора и его личном вкладе, объёме и содержании диссертации, краткое описание глав и разделов диссертации.

Первая глава посвящена состоянию проблемы диагностики патологии молочной железы, обзору информационных систем, применявшихся в маммографии, алгоритмам предварительной обработки изображения, алгоритмам фильтрации, логической обработке результатов предварительной обработки, обзору нечетких технологий и технологий обучения нейронных сетей, современной классификации медицинских информационных систем и их особенностей, а так же современным информационным системам и их методам.

Вторая глава содержит обоснование необходимости разработки информационной системы, описаны модели и методы распознавания графических

объектов в медицине, описание предлагаемых алгоритмов сегментации и кластеризации медицинских изображений.

Третья глава содержит описание информационной системы поддержки принятия решения врача маммолога в виде диаграмм ЦМЦ в т.ч. диаграмму классов, диаграммы последовательностей, диаграмму деятельности, диаграмму вариантов использования, диаграмму компонентов и диаграмму развертывания.

Четвертая глава посвящена выбору языка программирования и интегрированной среды разработки для реализации интеллектуальной системы, а так же описанию пользовательского интерфейса всех окон, в т.ч. связанных с выводом результатов исследования, подготовкой данных пациентов к исследованию и настройкой системы. Просчитаны ошибки первого и второго рода для данной информационной системы, а также произведен анализ и статистическая обработка результатов исследования.

Заключение содержит сформированные основные результаты работы.

1 СОВРЕМЕННОЕ СОСТОЯНИЕ ВОПРОСА РАСПОЗНАВАНИЯ ГРАФИЧЕСКИХ ОБЪЕКТОВ В МЕДИЦИНСКИХ ИНФОРМАЦИОННЫХ СИСТЕМАХ

Согласно статистическим данным, в мире ежегодно диагностируется около 1,4 миллиона новых злокачественных опухолей молочной железы. Это более 10% всех диагностируемых онкологических заболеваний (у обоих полов). Показатели выявления новых случаев сильно варьируются от региона к региону, демонстрируя зависимость не только от экологической обстановки, но и от возможностей диагностики в той или иной стране, а также от отношения общества к профилактическим обследованиям. Реже всего новые случаи РМЖ диагностируются в странах Африки и Азии [1, 3, 6].

В зависимости от региона отличаются также показатели выживаемости при диагностированном РМЖ. В странах с хорошей медициной пациентки могут получить не только качественную терапию, но и рассчитывать на раннее выявление злокачественных новообразований, благодаря чему показатель выживаемости может превышать 80%. Для таких весьма благополучных стран как США, Швеция и Япония это порядка 60%. Для стран, где доходы большинства населения средние или низкие, показатель выживаемости может опускаться ниже 40%.

Резюмируя вышесказанное, можно сказать, что чем выше процент средне-или малообеспеченного населения, тем ниже показатель излечения. Основная причина этого заключается в том, что малообеспеченные люди предпочитают не тратиться на профилактические обследования и обращаются в медицинские центры только тогда, когда опухоль уже даёт о себе знать. Также в более развитых странах существуют государственные программы, так или иначе способствующие раннему выявлению патологий, что позволяет значительно повысить выживаемость [3, 6, 21].

В России ежегодно диагностируется порядка 50 тысяч злокачественных опухолей молочной железы (в 2000 году - 44 840 случаев, в 2010 - 55241).

Средний возраст пациенток, у которых диагностирован РМЖ, составляет около 59 лет. При этом рак молочной железы является причиной 18,4% от всех женских смертей (чаще всего из-за запущенности и поздней диагностики). Если же брать в расчёт все заболевания молочных желез, то порядка 50% россиянок имеют ту или иную патологию [1, 21, 30].

1.1.1 Способы обследования и диагностирования молочной железы

Существует несколько основных способов диагностики, отличающихся по своим возможностям, точности, вредности для организма, а также по себестоимости процедуры: маммография, ультразвуковое обследование, компьютерная томография и магнитно-резонансная томография. Рассмотрим каждый из способов детальнее [128].

Пленочная (аналоговая) маммография основана на высокочувствительной рентгенографии. Он позволяет обнаружить практически любые новообразования в молочной железе, включая доброкачественные и злокачественные опухоли, а также предраковые образования. Изначально все маммографы были аналоговым, для их работы требовались специальные одноразовые кассеты с рентгеновской плёнкой. Несмотря на появление более современных цифровых устройств, в России они пока что остаются редкостью [4, 61, 65].

Тем не менее, имеющаяся в наличии аналоговая аппаратура обладает достаточно обширными возможностями, такими как:

- своевременное обнаружение непальпируемых новообразований в молочной железе;

- проведение широко спектра инвазивных и неинвазивных обследований;

- точное трехмерное позиционирование для проведения биопсии подозрительных образований в молочной железе;

- сравнительный анализ изображений путем их совмещения.

Однако возможности пленочной маммографии сильно ограничиваются следующими недостатками:

- для обследования и дальнейшей обработки снимков необходимо громоздкое оборудование (проявочная машина весит порядка 60 кг);

- для каждой процедуры необходима одноразовая кассета и набор химических реактивов, нуждающиеся в особых условиях хранения (холодильный шкаф или специальное помещение);

- любая ошибка в процедуре проявки (неточные пропорции реактивов, неплотно закрытая крышка и т.п.) может значительно снизить качество изображения и, как следствие, точность обследования;

- процедура стереобиопсии длится около часа из-за необходимости проявлять снимки и вручную проводить расчеты (проблема в том, что грудь в течение всего этого времени должна быть зафиксирована на аппарате).

Цифровая маммография - современная компьютерная форма обычной рентгеновской маммографии, в которой фоточувствительная пленка заменена цифровой матрицей, передающей изображение непосредственно на компьютер. Цифровая маммография обладает всеми возможностями пленочной, при этом многие процедуры занимают гораздо меньше времени. Кроме того, присутствует большой спектр возможностей по обработке изображений с целью повышения контрастности и выделения важных областей с помощью различных фильтров [72, 81].

Цифровой маммограф значительно компактнее и не требует дополнительного оборудования (кроме компьютера). Он позволяет значительно ускорить процедуру стереобиопсии, поскольку все снимки сразу попадают на компьютер, а точные координаты новообразования, анализ которого требуется произвести, вычисляются в автоматическом режиме. К сожалению, большинство российских медицинских центров по-прежнему использует в работе классические плёночные аппараты [57, 61, 113].

Ультразвуковая маммография (УЗМ) - это специализированное обозначение УЗИ молочной железы. Это классический и недорогой способ неинвазивного обследования, позволяющий изучать внутреннюю структуру молочной железы с помощью ультразвуковых волн. Поскольку процедура

доступна и безвредна, её назначают при любых отклонениях (непонятные пальпируемые образования, выделения из соска и т.п.). УЗИ МЖ позволяет подробно изучать структуру даже плотных молочных желез, благодаря чему активно применяется для обследования женщин в возрасте до 35 лет (а для нерожавших женщин и в более зрелом возрасте).

УЗМ позволяет выявить и идентифицировать следующие патологии:

- инфекционные процессы, сопровождающиеся отёками;

- кисты (вместо эха они дают эффект усиления);

- фиброаденомы (идентифицируются по гладким стенкам);

- галактоцеле (патология, характерная для кормящих матерей);

- воспаление лимфоузлов;

- папилломы.

УЗМ достаточно эффективна для выявления раковых образований, но не на самых ранних стадиях. В целом этот метод даёт достаточно подробную картину, но его точность и чувствительность относительно невысока [133].

Компьютерная томография (КТ) - это также рентгенологический неинвазивный метод обследования, при котором орган просвечивается под разными углами. Компьютер обрабатывает полученные снимки и формирует на их основе графическое изображение среза обследуемого органа на требуемой глубине. Результат отчасти напоминает снимок, получаемый с помощью МРТ.

Список литературы диссертационного исследования кандидат наук Карасев Павел Игоревич, 2017 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Агамова. К.А. Молочные железы/ К.А. Агамова//Цитологическая диагностика опухолей и предопухолевых процессов/под ред. А.С. Петрова. -М.: Медицина, 1995. -192-205.

2. Акинин, М.В. Нейросетевые системы искусственного интеллекта в задачах обработки изображений / М.В. Акинин, М.Б. Никифоров, А.И. Таганов. -М.: Горячая линия, 2016. - 152 с.: ил.

3. Аксель, Е. М. Злокачественные новообразования молочной железы: состояние онкологической помощи, заболеваемость и смертность/ Е. М. Аксель // Маммология. — 2006. — №1. — С.9-13.

4. Аналоговые маммографические системы. URL: http://www.bestmedtech.ru/x-ray/analogm/ (дата обращения: 15.02.2016).

5. Анисимов, Б. В. Распознавание и цифровая обработка изображений: Учеб. пособие для студентов вузов / Б.В. Анисимов, В.Д. Курганов, В. Злобин. -М.: Высш. шк., 1983. - 295 с.: ил.

6. Аншина, М.Б. Наследственная предрасположенность к раку: многое можно изменить/ М.Б. Аншина//Вместе против рака. -2004. -№ 3. -12-13.

7. Аппарат рентгеновский маммографический ASR-3000 X-ray. URL: http://www.8a.ru/print/25616.php (дата обращения: 15.02.2016).

8. Аппарат рентгеновский маммографический ASR-3000 X-ray. URL: http://www.ygtorgservis.ru/shop/UID_28600.html (дата обращения: 15.02.2016).

9. Аппарат рентгеновский маммографический Mammomat 1000http://рентген-аппарат.рф/katalog-rentgen-apparatov/statcюnamye-rentgen-apparaty/apparat-entgenovskiy-mammograficheskiy-mammomat-1000.

10. Бурхонов, Р.А. Современные технологии обработки медицинских изображений / Р.А. Бурхонов, С.В. Клименко // Международная научная конференция CFT2015 Московского физико-технического института (государственного университета): сборник трудов / Институт физико-технической информатики. - М., 2016. - С. 207-210.

11. Бутаков, Е.А. Обработка изображений на ЭВМ / Е.А. Бутаков, В.И. Островский, И.Л. Фадеев. - М.: Радио и связь, 1987. - 240 с.: ил.

12. Вапник, В.Н. Теория распознавания образов (статистические проблемы обучения): учеб. / В.Н. Вапник, А. Я. Червоненкис. - М.: Издательство «Наука», Главная редакция физико-математической литературы, 1974. - 416 с.

13. Васильев, К.К. Анализ эффективности фильтрации плоских изображений / К.К. Васильев, В.Г. Герчес // Вероятностные модели и обработка случайных сигналов и полей: Сб. научн. тр. - Киев: УМК ВО. - 1991. - С. 115— 122.

14. Васильев, К.К. Калмановская фильтрация изображений / К.К. Васильев, В.Г. Герчес // Методы обработки случайных полей: Сб. научн. тр. / УлПИ. - Ульяновск, 1990. - С. 105-111.

15. Васильев, К.К. Оптимальные и квазиоптимальные алгоритмы компенсации мешающих изображений / К.К. Васильев, О.В. Попов // Тезисы докладов международной научной конференции «Результаты и перспективы исследования планет», 1997, Ульяновск. - Ульяновск: УлГТУ. - 1997. - С. 78-79.

16. Васильев, К.К. Применение методов фильтрации изображений в адаптивных системах связи / К.К. Васильев, В.Г. Герчес // Тез. докл. НТ школы-семинара «Цифровая обработка сигналов в системах связи и управления», 1991, Ростов Великий. - Ростов Великий: МГП ВНТО РЭС им. А.С.Попова. - 1991. -С.12.

17. Васильев, К.К. Рекуррентные методы обработки изображений / К.К. Васильев, В.Г. Герчес // Тез. докл. НТК «Научно-технический прогресс и инженерное образование». - Ульяновск: УлПИ. - 1990. - Ч. 3. - С. 11-12.

18. Васильев, К.К. Статистические методы обработки многомерных изображений / К.К. Васильев, А.А. Спектор // Методы обработки сигналов и полей: Сб. научн. тр. / УлПИ. - Ульяновск, 1992. - С. 3-18.

19. Васильев, К.К. Статистический анализ многомерных изображений / К.К. Васильев. - Ульяновск: УлГТУ, 2002. - 156 с.

20. Васюков, В.Н. Квазиоптимальный алгоритм двумерной фильтрации /

B.Н. Васюков // Методы статистической обработки изображений и полей. -Новосибирск, 1984. - С. 14-18.

21. Галич, С.П. Реконструктивная хирургия груди. Руководство для врачей/С.П. Галич, В.Д. Пинчук. -Киев: Книга-плюс, 2011. -264 с.

22. Грейди Буч, Джеймс Рамбо, Айвар Джекобсон. Язык ЦМЬ. Руководство пользователя. М., СПб.: ДМК Пресс, Питер, 2004.

23. Громов Ю.Ю. К проблеме оценки живучести сетевых информационных систем с спользованием элементов искусственного интеллекта / Ю. Ю. Громов, О. Г. Иванова, К. А. Набатов, Д. Е. Винокуров // Системы управления и информационные технологии. - 2007. - № 3.2 (29). -

C. 232-237.

24. Громов Ю.Ю. Управление информационными процессами в условиях неопределенности / Ю.Ю. Громов, В.Е. Дидрих, О.Г. Иванова, Ю.В. Минин, А.Ю. Громова // Информация и безопасность. - Воронеж: Издательско-полиграфический центр Воронежского государственного университета. - 2011. - № 2. - С. 233-238.

25. Громов, Ю.Ю. Фрактальный анализ и процессы в компьютерных сетях. Учебное пособие / Ю.Ю. Громов, Н.А. Земской, О.Г. Иванова и др. -Тамбов: Изд-во ТГТУ, 2004 - 108 с.

26. Даджион, Д. Цифровая обработка многомерных сигналов / Д. Даджион, Р. Мерсеро. - М.: Мир, 1988. - 488 с.

27. Джим Арлоу. ЦМЬ 2 и Унифицированный процесс. Практический объектно-ориентированный анализ и проектирование / Джим Арлоу, Айла Нейштадт // - Пер. с англ. - СПб: Символ_Плюс, 2007. - 624 с.

28. Егошкин, Н.А. Адаптивная интерполяция при геометрической обработке изображений (спектральный подход) / Н.А. Егошкин // Новые информационные технологии в научных исследованиях: материалы XX Юбилейной Всероссийской научно-технической конференции студентов, молодых ученых и специалистов / Рязанский гос. радиотехн. ун-т. - Рязань, 2015. - С. 236-237.

29. Журавлев Ю.И. Распознавание образов и анализ изображений: Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник / Ю.И.Журавлёв, И.Б.Гуревич / Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990. -304 с.

30. Иванилов А.К. Структура онкологической заболеваемости в мире, РФ и отдельных её регионах/А.К. Иванилов//Актуальные проблемы гуманитарных и естественных наук, 2014. № 1-2. С. 181-184.

31. Иванов, Ю.А. Повышение эффективности алгоритмов слежения / Ю.А.Иванов // «Инновации в авиации и космонавтике- 2010»: Сб. тезисов докладов научно-практической конференции студентов и молодых учёных МАИ, 26-30 апреля 2010 г., Москва. - СПб.: Мастерская печати. - 2010 - С. 161.

32. Каприн А.Д. Злокачественные новообразования в России в 2013 году./ А.Д. Каприн, В.В. Старинский, Г.В. Петрова // - М., 2014. - С. 251.

33. Карасев П.И., Аль-Матари Н.А., Минин Ю.В., Минина Е.Н. Идентификация информационного процесса в системе поддержки принятия решений // XXI Век: итоги прошлого и проблемы настоящего плюс. - 2015. - № 4 - С. 14-17.

34. Карасев П.И., Громов Ю.Ю., Стегачев С.К. Развитие методов нечеткой сегментации для анализа медицинских изображений // Приборы и системы. Управление, контроль, диагностика. - 2017. - № 9 - С. 25-31.

35. Карасев П.И., Губсков Ю.А. Процедура обработки графических изображений в системах видеонаблюдения // Вестник воронежского института ФСИН России. - 2015. - № 2 - С. 35-37.

36. Карасев П.И., Ивановский М.А., Кулаков Ю.В., Дидрих И.В. Повышение качества классификации изображений за счёт использования нечёткой логики в системах мониторинга контроля доступа // Информация и безопасность. - 2015. - Т.18 - № 3 - С. 432-435.

37. Карасев П.И., Минин Ю.В., Яковлев А.В., Моисеев А.С. К вопросу об обобщенном критерии принятия решения в системе установления причин

компьютерных инцидентов // Информация и безопасность. - 2014. - Т.17 - № 2 -С. 300-303.

38. Карасев П.И., Минина Е.Н. Процедура распознавания в информационной системе идентификации графических объектов // Вестник воронежского института ФСИН России. - 2015. - № 1 -С. 37-40.

39. Карасев П.И., Поляков Д.В., Попов А.И., Матвеева А.С., Балюков Д.А. Оценка семантической значимости нечётких коллокаций на основе обобщённой векторно-пространственной модели текстовой коллекции // Прикаспийский журнал: управление и высокие технологии. - 2016. - № 1(33) - С. 10-25.

40. Карасев П.И. Интегральное представление изображений в распознавании образов // Материалы международной научно-практической конференции «Охрана, безопасность, связь - 2014» . Воронежский институт МВД России. - 2015. - С. 200-201.

41. Карасев П.И. Интегральное представление изображений в распознавании образов // Сборник научных статей по материалам II Международной научно-практической конференции «Современные предпосылки развития инновационной экономики». - 2014. - С. 31-33.

42. Карасев П.И. Математическое и программное обеспечение комплекса поддержки принятия решения врача маммолога // сб. науч. ст. молодых ученых, аспирантов и студентов. Тамб. гос. техн. ун-т. Вып. VII. - 2015. - С. 7-10.

43. Карасев П.И. Модель комплекса поддержки принятия решения врача маммолога // Актуальные направления научных исследований XXI века: теория и практика. Воронежский государственный лесотехнический университет им. Г.Ф. Морозова (Воронеж). - 2015. - Т.3 - № 7-4 - С. 263-266.

44. Карасев П.И. Нормативная оценка нечетких выводов для облаков материальных точек нерегулярной модели в трехмерной реконструкции // Сборник научных статей по материалам II Всероссийской научно-практической конференции (26-27 мая 2015г.) Воронеж ВВУНЦ ВВС - 2015.

45. Карасев П.И. Применение детектора Кэнни в обработке рентгенографических изображений // Материалы III Международной научно-

практической конференции «Виртуальное моделирование, прототипирование и промышленный дизайн». Тамбовский государственный технический университет. - 2016. - С. 219-224.

46. Карасев П.И. Программный комплекс поддержки принятия решения врача-маммолога // Материалы Всероссийского открытого конкурса студентов вузов и молодых исследователей. Тамбовский государственный технический университет (Тамбов). - 2015. - С. 63-68.

47. Карасев П.И., Алексеев В.В., Лакомов Д.В. Анализ методов обработки изображений, применимых в условиях неопределённости // Материалы XVI Международной научно-методической конференции «Информатика: проблемы, методология, технологии» - 2016. - С. 37-41.

48. Карасев П.И., Алексеев В.В., Лахно Г.А., Лысункин П.С. Применение нейронных сетей в автоматизированных системах контроля знаний // Научный вестник воронежского государственного архитектурно-строительного университета. Серия: управление строительством. Воронежский государственный технический университет (Воронеж). - 2015. - № 2 - С. 155-158.

49. Карасев П.И., Громов Ю.Ю., Болдырев А.В. Анализ изображений при формировании траектории движения робототехнического комплекса на основе нечеткого вывода // Труды военно-научной конференции «Роботизация вооруженных сил Российской Федерации» ФГБУ «ГНИИЦ» (Москва) - 2016. - С. 316-318.

50. Карасев П.И., Громов Ю.Ю., Иванова О.Г. Повышение качества классификации изображений за счет использования нечеткой логики в системах аэрокосмического мониторинга // Сборник научных статей по материалам II Всероссийской научно-практической конференции (26-27 мая 2015г.) Воронеж ВВУНЦ ВВС - 2015. - С. 205-209.

51. Карасев П.И., Губсков С.В., Зайцев С.В. Обработка изображений при распознавании образов в видеонаблюдении // Материалы международной научно-практической конференции «Охрана, безопасность, связь - 2014». Воронежский институт МВД России. - 2015. - С. 168-171.

52. Карасев П.И., Губсков Ю.А., Кошелев А.В. Информационная система подготовки специалистов по эксплуатации сложных систем // Материалы одиннадцатой открытой Всероссийской конференции «Преподавание информационных технологий в Российской Федерации» (16-17 мая 2013г.) -Воронежский государственный университет - 2013. - С. 169-170.

53. Карасев П.И., Лебедев А.А., Алексеев В.В., ЛыонгХак Д. Обзор современных систем распознавания образов // Сборник материалов Международной научно-практической конференции «Техника и безопасность объектов уголовно-исполнительной системы». - 2013. - С. 151-153.

54. Карасев П.И., Минина Е.Н., Копылов С.А. Распознавание графических образов графиков функций в информационной системе идентификации объектов // Материалы международной научно-практической конференции «Охрана, безопасность, связь - 2014». Воронежский институт МВД России. - 2015. - С. 40-43.

55. Карасев П.И., Минина Е.Н., Стародубов К.В. Применение нейронных сетей для распознавания образов в автоматизированных системах управления // Научный вестник воронежского государственного архитектурно-строительного университета. Серия: управление строительством. Воронежский государственный технический университет (Воронеж). - 2015. - № 2 - С. 190-195.

56. Ковригин, А.В. Применение принципов построения систем машинного зрения в задаче анализа изображений клеточных структур / А.В. Ковригин // Научный журнал КубГАУ. - 2007. - № 29 (5). - С. 1-10.

57. Компьютерная томография. URL: http://www.mammology.info/tomografia.htm (дата обращения: 25.11.2016).

58. Корженкова Г.П. Комплексная рентгено-сонографическая диагностика заболеваний молочной железы, 1-е издание - М.: ООО «Фирма СТРОМ», 2004 - 128 с., ил.

59. Короткин, А.А. Клеточно-локальный алгоритм выделения и оценки изменений на бинарных изображениях / А.А. Короткин, А.А. Максимов // Модел. и анализ информ. систем. - 2014. - Т. 21, № 4. - С. 64-74.

60. Красножон Д.А. Рак молочной железы в вопросах и ответах/Д.А. Красножон. Санкт-Петербург, 2013. 148 с.

61. Крымин И.В. Обзор рынка рентгеновской техники. Маммографы // Медтехника и медизделия. - 2004, №2 (19). - C.36-38.

62. Кулигина, Е.Ш. Эпидемиологические и молекулярные аспекты рака молочной железы/Е.Ш. Кулигина//Практическая онкология. -2002. -Т. 11, N4. -С. 203-216.

63. Лепский, А.Е. Математические методы распознавания образов: Курс лекций / А.Е. Лепский, А.Г. Броневич. - Таганрог: Изд-во ТТИ ЮФУ, 2009. - 155 с.

64. Летягин В.П. Факторы риска развития рака молочной железы/В.П. Летягин, Т.В. Высоцкая, Е.А. Ким.//Маммология, 2006. № 4. С. 10-12.

65. Линденбратен Л.Д. Рекомендации по протоколированию результатов лучевых диагностических исследований молочных желез // Радиология-практика, №3.2001. С. 36-39.

66. Магнитно-резонансная томография. URL: http://www.tiensmed.ru/news/mrt1.html (дата обращения: 25.11.2016).

67. Маматов, Е.М. Об автоматической классификации объектов и распознавании образов с использованием весов признаков и репрезентативностей классов / Е.М. Маматов / Научные ведомости. - 2008. - № 10 (50). - С. 48-57.

68. Маммограф МАММОМАТ 3000 Nova. URL: http://www.lotus-med.m/pages/postavki-obomdovamja/specialnye-predlozhemja/mammografija.php (дата обращения: 15.02.2016).

69. Маммограф МАММО-Р. URL: http://www.kranex.ru/prod/rentgenology/mammograf/959/ (дата обращения: 15.02.2016).

70. Маммограф МАММО-Р. URL: http://www.rosmed.ru/scatalog/features/9427/ Mammograf_MAMMO_R (дата обращения: 15.02.2016).

71. Маммограф цифровой МАДИС. URL: http://www.medtechmarket.ru/ 25626/26606/ (дата обращения: 15.02.2016).

72. Маммограф цифровой МАДИС. URL: http://www.stmedik.ru/catalog/ x_ray_diagnostic_equipment/mammography_digital_madis/ (дата обращения: 15.02.2016).

73. Маммографическая пленка AGFA. URL: http://www.techno-med.ru/consumables_for_radiography/xray_film/agfa-mamoray/ (дата обращения: 15.02.2016).

74. Маммология национальное руководство под ред. В.П. Харченко, Н.И. Рожкова. Москва. 2009; 386.

75. Международная классификация болезней (МКБ-10)" (утв. Приказом Минздрава РФ от 27.05.97 N 170).

76. Мерков, А.Б. Распознавание образов: Введение в методы статистического обучения / А.Б. Мерков. - М.: Едиториал УРСС, 2011. - 256 с.

77. Местецкий, Л.М. Непрерывная морфология бинарных изображений: фигуры, скелеты, циркуляры / Л.М. Местецкий. - М.: ФИЗМАТЛИТ, 2009. - 288 с.

78. Моисеенко В.М. «Естественная история» роста рака молочной железы//Практ. онкол. 2002. Т. 3, № 1. С. 6-14.

79. Мякиньков В.Б. Алгоритм обследований при диагностике заболеваний молочной железы/В.Б. Мякиньков, М.Н. Пустовойченко, Д.И. Панченко//Х Съезд онкологов Украины: материалы съезда. Киев, 2001. C. 193.

80. Нейштадт, Э.Л. Патология молочной железы / Э.Л. Нейштадт, О.А Воробьева - СПб. : Фолиант, 2003. - 208 с.

81. Нестеров, С.А. Особенности цифровой маммографии / С.А. Нестеров, М.С. Владимиркина, Л.В. Тронькина [и др.] // Онкология сегодня: пациент, государство, медицинское сообщество: материалы VII Российской научно-практической конференции с элементами научной школы для молодежи «Модниковские чтения».— Ульяновск: УлГУ, 2011. - С. 214-218.

82. Новейшие методы обработки изображений / А.А. Потапов [и др.]; под

ред. А.А. Потапова. - М.: ФИЗМАТЛИТ, 2008. - 496 с.

83. Обработка и анализ изображений в задачах машинного времени: Курс лекций и практических занятий / Ю.В. Визильтер [и др.]. - М.: Физматкнига, 2010. - 672 с.

84. Основы теории обработки непрерывных контуров изображений / Р.Г. Хафизов, А.А. Роженцов, Д.Г. Хафизов, С.А. Охотников; под общей редакцией профессора Р.Г. Хафизова. - Йошкар-Ола: Поволжский государственный технологический университет, 2015. - 172 с.

85. Пак Д.Д., Рассказова Е.А., Ермощенкова М.В. Рак молочной железы. -М.: Триада-Х, 2010. -С. 160.

86. Парфенов, П.Г. О поворотах цифровых изображений / П.Г. Парфенов // Модел. и анализ информ. систем. - 2013. - Т. 20, № 2. - С. 157-165.

87. Пекерман, И.Л. Методы первичной обработки изображения / И.Л. Пекерман // Информационные технологии на службе общества: материалы Международной научно- практической конференции, Казань, 05-08 августа 2014 г. - Казань: Изд-во Казанского гос. техн. ун-та. - 2014. - С. 337-338.

88. Петровский, А.Б. Методы групповой классификации многопризнаковых объектов (часть 2) / А.Б. Петровский // Искусственный интеллект и принятие решений. - 2009. - № 4. - С. 3-14.

89. Пленка для маммографии KODAK Min-R Film. URL: http://www.vympelmed.ru/catalog/plenka_dlya_mammografii_kodak_minr_film/ (дата обращения: 15.02.2016).

90. Поддубная И.В. Справочник по онкологии./под ред. акад. РАМН Н.Н. Трапезникова, Москва: КАППА. 1996; 624.

91. Проявочная машина Kodak Min-R Mammography Processor. URL: http://www.megalix.ru/article/88/--kodak-min-r-mammography-processor (дата обращения: 15.02.2016).

92. Проявочная машина Mammography X-Ray Processor . URL: http://www.delrus.com/index.php?part_name=good&g_id=369 (дата обращения: 15.02.2016).

93. Проявочная машина автоматическая МиниМед МТ. URL: http://www.nv-lab.ru/catalog_info.php?ID=1019&Full=1 (дата обращения: 15.02.2016).

94. Радзинский, В. Е. Комплексный подход к диагностике и лечению гинекологических и маммологических заболеваний и нарушений/В. Е. Радзинский, И. М. Ордиянц//Маммолог. -2005. -№ 1. -С. 12-16.

95. Рассказова Е.А., Рожкова Н.И. Скрининг для ранней диагностики рака молочной железы//Исследования и практика в медицине. -2014. -Т. 1, №1. -С. 4551.

96. Рентгеновская пленка Agfa для маммографии. URL: http://www.sante.ru/rentgenodiagnostic/films/mammography_films.php (дата обращения: 15.02.2016).

97. Рентгеновская пленка для маммографии KODAK. URL: http://www.gammamed.ru/3_4_1.html (дата обращения: 15.02.2016).

98. Рентгеновский маммограф Melody. URL: http://fujitora.com/rentgenovskii-mammograf-melodyb (дата обращения: 15.02.2016).

99. Рентгеновский маммограф серии МАММО - МТ. URL: http://www.tiaramed.ru/Mammografy/MAMMO-MT.html (дата обращения: 15.02.2016).

100. Рожкова Н. И. Скрининг рака молочной железы // Уральский медицинский журнал.2008. № 11. С. 46-50.

101. Рожкова Н.И. Лучевые методы обследования молочных желез //Спецвыпуск Лучевая диагностика, 2013. С. 28-29.

102. Рожкова Н.И. Лучевая диагностика в маммологии: Руководство. М.: Спец. изд-во мед. кн., 2014. 128 с.

103. Сакович, И.О. Обзор основных методов контурного анализа для выделения контуров движущихся объектов / И.О. Сакович, Ю.С. Белов // Инженерный журнал: наука и инновации. - 2014. - Вып. 12. - С. 1-8.

104. Селянкин, В.В. Анализ и обработка изображений в задачах компьютерного зрения: Учебное пособие для магистрантов, аспирантов и

специалистов в области обработки и распознавания изображений, компьютерного зрения / В.В. Селянкин, С.В. Скороход. - Таганрог: Южный федеральный университет, 2015. - 82 с.

105. Семиглазов В.Ф., Семиглазов В.В. Скрининг рака молочной железы//Практическая онкология. -2010. -Т. 11, №2. -С. 60-65.

106. Синкина Т.В. Современные представления о факторах риска рака молочной железы/Т.В. Синкина, В.Д. Петрова, А.Ф. Лазарев//Клиническая онкология, 2009. № 1. Т. 8. С. 87-93.

107. Тараскина, А.С. Нечеткая кластеризация по модифицированному методу c-средних и ее применение для обработки микрочиповых данных / А.С. Тараскина // Проблемы интеллектуализации и качества систем информатики; Под редакцией доктора физ.-мат. наук, профессора, чл.-корр. РАЕН В.Н. Касьянова. Серия «Конструирование и оптимизация программ» / Ин-т систем информатики имени А. П. Ершова СО РАН. - Новосибирск, 2006. — С. 217-228.

108. Ташлинский, А.Г. Оценивание параметров пространственных деформаций последовательностей изображений: учеб. / А.Г. Ташлинский. -Ульяновск: УлГТУ, 2000. - 132 с.

109. Титов, B.C. Современные подходы к представлению и обработке изображений трёхмерных объектов / В.С. Титов, А.А. Роженцов, Р.Г. Хафизов // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. - 2014. - № 2 (21). - С. 4454.

110. Утробин, В.А. Элементы теории активного восприятия изображений: учеб. / В.А. Утробин // Труды НГТУ им. Р.Е. Алексеева. - 2010. - № 2 (81). - С. 61-69.

111. Федотов, Н.Г. Теория признаков распознавания на основе стохастической геометрии и функционального анализа / Н.Г. Федотов. - М.: ФИЗМАТЛИТ, 2010. - 304 с.

112. Фисенко, В.Т. Компьютерная обработка и распознавание изображений: учеб. пособие / В.Т. Фисенко, Т.Ю. Фисенко. - СПб: СПбГУ ИТМО,

2008. - 192 с.

113. Цифровой маммограф рентгеновский — Маммо-МТ Альфа. URL: http://11568.ua.all.biz/cifrovoj-mammograf-rentgenovskij-mammo-mt-alfa-g526741 (дата обращения: 15.02.2016).

114. Чиссов В.И., Солодкий В.А., Пак Д.Д., Рожкова Н.И., Ермощенкова М.В., Киреева М.Н. Скрининг рака молочной железы: история и перспективы // Онкология, 2013.-N 2.-С.46-51.

115. Швидченко С.А. Методика обработки изображений при идентификации / С.А. Швидченко, А.П. Кузин // Современное общество, образование и наука: сборник научных трудов по материалам Международной научно-практической конференции, Тамбов, 31 марта 2015 г. - Тамбов: ООО «Консалтинговая компания Юком». - 2015. - Ч. 1. - С. 162-163.

116. Щенникова Т.И. Роль скрининговых программ в ранней диагностике рака молочной железы/Т.И. Щенникова//Бюллетень медицинских Интернет-конференций, 2013. С. 1392-1394.

117. Юдин А.Л., Роль компьютерной томографии в диагностике и определении стадии кардиоэзофагеальных раков/ А.Л. Юдин, Н.И. Афанасьева, М.Ф. Проскурина, А.Г. Алсагаева, О.В. Курусин// Медицинская визуализация. -М. - 2007. - № 6 - С. 77-85.

118. A weighted fuzzy classifier and its application to image processing tasks / T. Nakashima, G. Schaefer, Y. Yokota, H. Ishibuchi // Fuzzy Sets and Systems. - 2007. - No. 158 (3). - P. 284-294.

119. Auroux, D. Image processing by topological asymptotic expansion / D. Auroux, M. Masmoudi // Journal of Mathematical Imaging and Vision. - 2009. - No. 33 (2). - P. 122-134.

120. Baek, T.H. Fringe analysis for photoelasticity using image processing techniques / T.H. Baek, M.S. Kim, D.P. Hong // International Journal of Software Engineering and its Applications. - 2014. - No. 8 (4). - P. 91-102.

121. Batard, T. A class of generalized Laplacians on vector bundles devoted to multi-channel image processing / T. Batard, N. Sochen // Journal of Mathematical

Imaging and Vision. - 2014. - No. 48 (3). - P. 517-543.

122. Bloch, I. Fuzzy sets for image processing and understanding / I. Bloch // Fuzzy Sets and Systems. - 2015. - No. 281. - P. 280-291.

123. Borgi, A. Knowledge based supervised fuzzy-classification: An application to image processing / A. Borgi, H. Akdag // Annals of Mathematics and Artificial Intelligence. - 2001. - No. 32 (1-4). - P. 67-86.

124. Chen, J. Real-time edge-aware image processing with the bilateral grid / J. Chen, S. Paris, F. Durand // ACM Transactions on Graphics. - 2007. - No. 26 (3), art. no. 1276506. - Режим доступа: https://www.scopus.com/inward/record.uri?eid=2-s2.0-34547681626&partnerID=40&md5=3a280d837ee208ca989dab26f44a387a.

125. Chong, H.Y. A perception-based color space for illumination-invariant image processing / H.Y. Chong, S.J. Gortler, T. Zickler // ACM Transactions on Graphics. - 2008. - No. 27 (3), art. no. 61. - P. 110- 114.

126. Computer-Aided Detection for Digital Mammography syngo MammoCAD. Siemens. 2008. C. 1-8. URL: http://www.medical.siemens.com/siemens/en_INT/ gg_sps_FBAs /files/brochures/cad/finalpdfMammoCAD.pdf (дата обращения: 25.11.2016).

127. Dai, B. Image Processing Unit for General-Purpose Representation and Association System for Recognizing Low-Resolution Digits with Visual Information Variability / B. Dai, H. Li, L. Wei // IEEE Transactions on Systems, Man, and Cybernetics: Systems. - 2016. - No. PP (99), art. no. 7560636. - Режим доступа: https://www.scopus.com/inward/record.uri?eid=2-s2.0-84988449025&partnerID=40&md5=1cb91ac3f3690ae936bbce019acdf3fc.

128. Daphne, Teck Ching Lai. A methodology for automatic classificationof breast cancer immunohistochemical datausing semi-supervised Fuzzy c-Means / Daphne Teck Ching Lai, Jonathan M. Garibaldi, Daniele Soria, Christopher M. Roadknight // Central European Journal of Operations Research. - July 31, 2013. - P. 18.

129. Demonceaux, C. Markov random fields for catadioptric image processing / C. Demonceaux, P. Vasseur // Pattern Recognition Letters. - 2008. - No. 27 (16). - P.

1957-1967.

130. Edge-Detection Method for Image Processing Based on Generalized Type-2 Fuzzy Logic / P. Melin [et al.] // IEEE Transactions on Fuzzy Systems. - 2014. - No. 22 (6), art. no. 6698367. - P. 1515-1525.

131. Egmont-Petersen, M. Image processing with neural networks- A review / M. Egmont-Petersen, D. De Ridder, H. Handels // Pattern Recognition. - 2002. - No. 35 (10). - P. 2279-2301.

132. FUJIFILM Digital Mammography CAD URL: http://www.fujifilm.eu/eu/products/medical-systems/ products/p/fujifilm-digital-mammography-cad/ (дата обращения: 25.11.2016).

133. Hafizah, Wan M. Automatic Classification of Muscle Condition based on Ultrasound Image Morphological Differences / Wan M. Hafizah, Joanne Z.E. Soh, Eko Supriyanto, Syed M. Nooh // International journal of biology and biomedical engineering. - 2012. - Issue 1, Vol. 6. - P. 87-96.

134. Hsu, C.-Y. An interactive procedure to preserve the desired edges during the image processing of noise reduction / C.-Y. Hsu, H.-Y. Huang, L.-T. Lee // (2010) Eurasip Journal on Advances in Signal Processing. - 2010. - Art. no. 923748. - Режим доступа: https://www.scopus.com/inward/record.uri?eid=2-s2.0-77954575647&partnerID=40&md5=f6c1979fc03ffc06b483fcb9164ac50e

135. iCAD. Mammography CAD. SecondLook Digital. URL: http://www.icadmed.com/products/mammography/secondlookdigital.htm (дата обращения: 25.11.2016).

136. Improving the accuracy of volumetric segmentation using pre-processing boundary detection and image reconstruction / R. Archibald, J. Hu, A. Gelb, G. Farin // IEEE Transactions on Image Processing. - 2004. - No. 13 (4). - P. 459-466.

137. Kol'tsov, P.P. Direct testing of methods for computer image processing / P.P. Kol'tsov // Pattern Recognition and Image Analysis. - 2014. - No. 24 (3). - P. 418424.

138. Lei, G.-W. Euler solving based on binary image processing via CNN / G.W. Lei, D.-H. Guo // Harbin Gongcheng Daxue Xuebao / Journal of Harbin Engineering

University. - 2006. - No. 27 (SUPPL.). - P. 202-204.

139. Lenz, R. Siegel Descriptors for Image Processing / R. Lenz // IEEE Signal Processing Letters. - 2016. - No. 23 (5), art. no. 7434603. - P. 625-628.

140. MAMORAY HDR-C Plus. URL: http://www.agfahealthcare.com/global/en/main/products_services/conventional_imagin g_processing/mammography_films/mamoray_hdr_c_plus.jsp (дата обращения: 15.02.2016).

141. Mapping adaptive fuzzy Kohonen clustering network onto distributed image processing system / M.S. Tarkov, Y. Mun, J. Choi, H.-I. Choi // Parallel Computing. - 2002. - No. 28 (9). - P. 1239-1256.

142. MedWOWGlobal. Medical compagny. Scanis. URL:http://ru.medwowglobal.com/company/scanis/91190 (дата обращения: 25.11.2016).

143. Milad, Azarbad. Automatic Recognition of Digital Communication Signal / Milad Azarbad, Saeed Hakimi, Ataollah Ebrahimzadeh // International Journal of Energy, Information and Communications. - November, 2012. - Vol. 3, Issue 4. - P. 21-34.

144. Parascript. Medical Imaging. AccuDetect. URL: http://www.parascript.com/medical-imaging/ (дата обращения: 25.11.2016).

145. Paris, S. Local Laplacian filters: Edge-aware image processing with a Laplacian pyramid / S. Paris, S. Hasinoff, J. Kautz // Communications of the ACM. -2015. - No. 58 (3). - P. 81-91.

146. Po-Whei, Huang. Automatic Classification for Pathological Prostate Images Based on Fractal Analysis / Huang Po-Whei, Cheng-Hsiung Leeieee // Transactions on medical imaging. - 2009. - Vol. 28, no. 7. - P. 1037-1050.

147. Saito, T. Image-processing approach based on Nonlinear image-decomposition / T. Saito, T. Komatsu // IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences. - 2009. - No. E92-A (3). - P. 696-707.

148. Singh, R. Reduced-complexity delayed-decision algorithm for context-

based image processing systems / R. Singh, A. Ortega // IEEE Transactions on Image Processing. - 2007. - No. 16 (8). - P. 1937-1945.

149. Statistical processing of large image sequences / F. Khellah, P. Fieguth, M.J. Murray, M. Allen // IEEE Transactions on Image Processing. - 2005. - No. 14 (1).

- P. 80-93.

150. Survey on image processing in the field of de-noising techniques and edge detection techniques on radiographic images / B. Thamotharan, M. Menaka, S. Vaidyanathan, S. Ravikuma // Journal of Theoretical and Applied Information Technology. - 2012. - No. 41 (1). - P. 26-34.

151. Textural features for image classification / R.M. Haralick [et al.] // IEEE Trans. SMC. - 1973. - No. 3. - P. 610-621 Tsirikolias, K.D. Coordinate Logic Order Statistics & Applications in Image Processing / K.D. Tsirikolias // Circuits, Systems, and Signal Processing. - 2015. - No. 34 (3). - P. 901-929.

152. Waltz, F.M. Gray-scale image processing algorithms using finite-state machine concepts / F.M. Waltz, J.W.V. Miller // Journal of Electronic Imaging. - 2001.

- No. 10 (1). - P. 297-307.

153. Yin, J. Hierarchical image segmentation algorithm in depth image processing / J. Yin, S. Kong // Journal of Multimedia. - 2013. - No. 8 (5). - P. 512-518.

ПРИЛОЖЕНИЕ А Материалы по внедрению результатов исследования

ГБУЗ «Тамбовский областной онкологический клинический диспансер»

АКТ

об использовании результатов кандидатской диссертационной работы Карасева Павла Игоревича

Комиссия в составе: председатель Стегачев Сергей Константинович, члены комиссии: Юрлова Наталия Николаевна, Стародубцев Степан Николаевич составили настоящий акт о том, что результаты диссертационной работы "Аналитические и процедурные модели анализа изображений для системы поддержки принятия решений врачом маммологом'1 использованы в ГБУЗ «Тамбовский областной онкологический клинический диспансер» при диагностировании новообразований различных типов:

1. Программная реализация аналитических и процедурных моделей улучшенного пространственного алгоритма нечеткой кластеризации.

2. Программная реализация аналитических и процедурных моделей вероятностного алгоритма нечеткой кластеризации.

3. Программная реализация процедурных моделей анализа изображений для системы поддержки принятия решений врачом маммологом.

Построенные программные реализации, положенные в основу информационной системы поддержки принятия решений врачом маммологом прошли тестирование в ГБУЗ «Тамбовский областной онкологический клинический диспансер».

Использование указанных результатов позволяет: повысить эффективность работы врача маммолога в постановке правильного диагноза за счет использования информационной системы поддержки принятия решения врачом маммологом. Сокращено время принятия решения на 11-15%. Коэффициент ложных отрицательных определений снизился с 8,5% до 3,4%. Коэффициент ложных положительных определений снизился с 20,15% до 12,8%.

Предсе

Стегачев С.К.

Члены комиссии:

Юрлова Н.Н. Стародубцев С.Н.

¿т.

МП

Межвидовой центр подготовки и боевого применения войск радиоэлектронной борьбы (учебный и испытательный)

АКТ

об использовании результатов кандидатской диссертационной работы Карасева Павла Игоревича

Комиссия в составе: председатель: начальник цикла боевой подготовки специалистов комплексов РЭБ на БЛА и средств КТК подполковник Гутаров М.В„ члены комиссии: старший преподаватель цикла подполковник Бессонов И.В., старший преподаватель цикла майор Дудченко Е.Б. составили настоящий акт о том, что результаты диссертационной работы «Аналитические и процедурные модели анализа изображений для системы поддержки принятия решений врачом маммологом» использованы в в/ч 61460 для анализа изображений, полученных с использованием БЛА.

К таким результатам можно отнести:

1. Программная реализация пространственного алгоритма нечеткой кластеризации.

2. Программная реализация вероятностного алгоритма нечеткой кластеризации.

Построенные программные реализации, положенные в основу информационной системы поддержки принятия решений оператором БЛА прошли тестирование в войсковой части 61460.

Использование указанных результатов позволяет повысить эффективность работы оператора БЛА на 11-17% за счет сокращения времени принятия решения

«" 14 » нюня 2017г.

АКТ

использования результатов диссертационной работы

КАРАСЕВА ПАВЛА ИГОРЕВИЧА

но тему: «Аналитические и процедурные модели анализа изображений для системы поддержки принятия решений врачом маммологом»

Комиссия кафедры «Информационные системы и защита информации» в составе: председатель - к.т.н., доцент Иванова О.Г. и члены комиссии - д.т.н., профессор Дидрих В.Е., к.т.н., доцент Ивановский М.А. составила настоящий Акт о том, что результаты диссертационной работы КАРАСЕВА ПАВЛА ИГОРЕВИЧА на соискание ученой степени кандидата технических наук используются в учебном процессе на кафедре «Информационные системы и защита информации» ФГБОУ ВО «Тамбовский государственный технический университет» при непосредственном участии автора диссертационного исследования в разработке учебно-методических материалов лекций, лабораторных работ и обучающих программных комплексов по следующим дисциплинам кафедры: «Методы обработки изображений», «Интеллектуальные системы и технологии», «Технологии обработки информации».

Результаты диссертационной работы Карасева Павла Игоревича «Аналитические и процедурные модели анализа изображений для системы поддержки принятия решений врачом маммологом» внедрены в учебный процесс и используются для обучения студентов по следующим направлениям и специальностям: 10.05.03 «Информационная безопасность автоматизированных систем», 09.03.02 «Информационные системы и технологии», что даёт возможность повысить качество и эффективность учебного процесса.

Председатель комиссии:

; к.т.н., доцент Иванова О.Г.

т.н., профессор Дидрих В.Е.

Члены комисс^

к.т.н., доцент Ивановский М.А.