Автоматизированная классификация черезкожных ультразвуковых изображений поджелудочной железы на основе спектрального представления контуров ее границы тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Аль-Дарраджи Часиб Хасан Аббуди

• Аль-Дарраджи Часиб Хасан Аббуди
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Аль-Дарраджи Часиб Хасан Аббуди

Введение

1 Диагностика заболеваний поджелудочной железы с использованием компьютерных интеллектуальных систем: современные достижения

1.1 Анатомия и функции поджелудочной железы

1.2 Анализ компьютерных методов сегментации поджелудочной железы

1.3 Процедуры получения и обработки ультразвуковых изображений поджелудочной железы

1.4 Улучшение качества изображения

1.4.1 Нелинейная пространственная фильтрация доменов

1.4.2 Гауссов фильтр нижних частот в частотной области

1.4.3 Выравнивание гистограммы

1.4.4 Вейвлет-фильтрация

1.4.5 Сегментация изображений

1.4.6 Сравнение методов улучшения изображения

1.5 Однослойный и многослойный персептрон

1.6 Алгоритмы обучения нейронных сетей. Градиентный спуск

1.7 Обобщение и переобучение

1.8 Увеличение объема данных

1.9 Сверточные нейронные сети

1.10 Подходы к сегментации на основе глубокого обучения

1.11 Выводы и направления будущих исследований

2 Метод выделения контура поджелудочной железы на ее черезкожном ультразвуковом изображении

2.1 Релевантные предикторы на черезкожных ультразвуковых изображениях поджелудочной железы при диагностике заболеваний поджелудочной железы

2.2 Нормализация ультразвуковых изображений в системах автоматизированного анализа

2.3 Двумерное спектральное преобразование Уолша в задачах автоматизированного анализа ультразвуковых изображений

2.4 Выделение контура поджелудочной железы на ультразвуковых снимках

2.5 Выводы второго раздела

3 Разработка алгоритмов классификаторов пикселей изображения для выделения контура поджелудочной железы

3.1 Поиск реперной точки

3.2 Алгоритм непрерывного поиска контура передней (дистальной) части поджелудочной железы

3.3 Поиск в правом и левом сегменте вертикальными вейвлетами

3.4 Комбинированный классификатор для задней (проксимальной) части контура поджелудочной железы

3.4.1 Классификационные функции. Применение ЛёаБоо81

3.4.2 Каскады классификаторов

3.5 Выводы третьего раздела

4 Экспериментальные исследования классификаторов УЗИ снимков поджелудочной железы

4.1 Формирование обучающей выборки комбинированного классификатора

4.2 Комбинированный классификатор для поиска контура границы поджелудочной железы

4.2.1 Выбор типов и вычисление информативных признаков комбинированного классификатора

4.2.2 Результаты обучения

4.2.3 Результаты на реальных изображениях

4.3 Программное обеспечение системы поддержки принятия врачебных решений при диагностике заболеваний поджелудочной железы

4.4 Оценка показателей качества классификаторов снимков поджелудочной железы

4.5 Выводы четвертого раздела

Заключение

Список сокращений и условных обозначений

Список литературы

Введение диссертации (часть автореферата) на тему «Автоматизированная классификация черезкожных ультразвуковых изображений поджелудочной железы на основе спектрального представления контуров ее границы»

Введение

Актуальность исследований. Рак поджелудочной железы (РПЖ) является одним из самых смертельных видов онкологических заболеваний в мире и является крайне агрессивным раком с неблагоприятным прогнозом. Высказывается прогноз, что с ростом заболеваемости во всем мире РПЖ станет второй ведущей причиной смерти от рака во многих странах. Чтобы иметь возможность эффективно диагностировать и лечить РПЖ, первым и наиболее важным шагом является эффективное распознавание и сегментация органа-мишени на ранней стадии заболевания. Поскольку стандартная медицинская 3D-визуализация не позволяет обеспечить раннее обнаружение, ультразвуковые исследования (УЗИ) сегодня являются единственным жизнеспособным вариантом. Однако достаточно часто специалисты оставляют опухоли незамеченными, поэтому является актуальным разработка методов автоматизации распознавания морфологических изменений на УЗИ снимках.

С развитием методов машинного обучения (МО) стала широко использоваться интеллектуальная поддержка диагностических решений, в частности, классификация снимков поджелудочной железы (ПЖ), полученных посредством инструментов для эндоскопических исследований и методов компьютерной томографии. Методы МО применятся в системах поддержки принятия врачебных решений (СППВР) для широкого спектра клинических задач, в частности, и связанных с диагностикой заболеваний ПЖ.

Степень разработанности темы исследования. Ультразвуковая диагностика является одной из наиболее распространенных схем выявления заболеваний в клинической практике. У ультразвуковой визуализации есть много преимуществ, таких как безопасность, удобство и низкая стоимость. Однако для освоения методики интерпретации ультразвукового изображения требуются годы опыта и подготовки. Для поддержки диагностики клиницистов и снижения нагрузки на врачей предлагается множество систем ультразвуковой компьютерной

диагностики. В настоящее время разработаны различные методы, модели и алгоритмы для решения проблемы идентификации и классификации снимков УЗИ ПЖ.

Системы компьютерной диагностики с обработкой изображений и распознаванием образов для диагностики РПЖ с использованием анализа снимков УЗИ широко используются в медицинской практике. При этом отмечается, что система лучше справляется с диагностикой изображений РПЖ при разделении пациентов по возрасту (Ozkan M. и др., 2016). Ряд работ направлены на то, чтобы в режиме реального времени дифференцировать РПЖ или поражение, не связанное с РПЖ, с помощью анализа изображений эндоскопической ультрасонографии (ЭУЗИ). Перед обучением модели области интереса (ROI) были вручную выделены, чтобы отметить злокачественные и незлокачественные морфологические образования. В качестве модели алгоритма для автоматического определения наличия поражения ПЖ использовались архитектуры сверточных нейронных сетей (СНС) (Min Fu и др., 2018). Модели СНС используются для того, чтобы дифференцировать визуальные особенности изображений хронического псевдоопухолевого панкреатита, нейроэндокринной опухоли и протоковой аденокарциномы. Кроме того, используется сетевая модель долговременной нейронной сети с кратковременной памятью для учета динамики физических характеристик с течением времени (Udristoiu A.L. и др., 2021).

Однако в виду сложности решения прикладных задач классификации УЗИ снимков, целесообразно применительно к каждой конкретной задаче выбирать не только модель МО, но и метод формирования дескрипторов и адаптированную к ним модель классификатора. Таким образом, можно сформулировать современные требования к медицинским информационным системам и, в частности, к СППВР, которые состоят в том, что технологии искусственного интеллекта в области сегментации и классификации снимков УЗИ при диагностики и дифференциальной диагностики заболеваний ПЖ нуждаются как в совершенствовании методов синтеза классификаторов УЗИ снимков, так и в разработке новых методов

формирования дескрипторов для обеспечения необходимого уровня показателей качества классификации.

Объектом исследования являются медицинские черезкожные УЗИ снимки поджелудочной железы.

Предметом исследования являются методы и алгоритмы цифровой обработки и классификации полутоновых растровых черезкожных УЗИ снимков поджелудочной железы.

Цель работы. Повышение качества диагностики онкологических заболеваний поджелудочной железы путем создания методов, моделей и алгоритмов для автоматизированной классификации черезкожных УЗИ снимков поджелудочной железы.

Для достижения поставленной цели необходимо решить следующие задачи:

- выполнить системный анализ методов визуализации, анализа и классификации интроскопических снимков поджелудочной железы;

- разработать метод выделения контура границы поджелудочной железы на черезкожных УЗИ изображениях;

- разработать алгоритм выделения проксимального (заднего) контура сложной формы поджелудочной железы на черезкожном ультразвуковом изображении;

- разработать программное обеспечение для интеллектуальной поддержки обработки и классификации черезкожных ультразвуковых изображений поджелудочной железы;

- предложить способ оценки показателей качества алгоритма выделения контура границ поджелудочной железы на черезкожном ультразвуковом изображении;

- разработать классификатор черезкожных ультразвуковых изображений поджелудочной железы на классы «онкология» - «нет онкологии».

- провести апробацию предложенных методов и алгоритмов интеллектуальной поддержки для классификации черезкожных ультразвуковых изображений поджелудочной железы.

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

- метод выделения контура поджелудочной железы на черезкожном ультразвуковом изображении, заключающийся в использовании детектора состояния пикселей ультразвукового изображения на основе спектральных коэффициентов оконного двумерного преобразования Уолша, отличающийся тем, что селектор спектральных коэффициентов детектора выбирает необходимые спектральные коэффициенты в качестве информативных признаков для поиска контура в зависимости от сегмента поджелудочной железы (левая, правая, дистальная (передняя) и проксимальная (задняя)), где производится поиск контура, позволяющий определять границы контура поджелудочной железы в серошкальном изображении в условиях малых соотношений сигнал-шум;

- автономный поисковый алгоритм выделения проксимального (заднего) контура сложной формы поджелудочной железы на черезкожном ультразвуковом изображении, заключающийся в использовании комбинированного каскадного классификатора, отличающийся использованием множества классифицирующих признаков, основанных на частотах Уолша оконного сканирования, выбранных метаалгоритмом улучшения классификации AdaBoost, позволяющий найти контур поджелудочной железы сложной формы в условиях близко расположенных как гиперэхогенных структур, таких как желчные протоки, так и гипоэхгенных структур, таких как селезеночная вена, нижняя полая вена;

- классификатор риска заболеваний поджелудочной железы в основу работы которого положен анализ формы контура границ поджелудочной железы на ультразвуковых изображениях, отличающийся тем, что его дескрипторы определяются по результатам анализа аппроксимированного контура границ поджелудочной железы, обеспечивающий показатели качества классификации на тестовых выборках, в среднем, 90%;

- способ оценки качества алгоритма выделения контура границ поджелудочной железы на черезкожном ультразвуковом изображении, основанный на модифицированном критерии Прэтта, отличающийся технологией

определения расстояния между пикселями идеального контура границ поджелудочной железы и его компьютерной аппроксимацией, позволяющий провести сравнительную оценку эффективности предлагаемого метода.

Теоретическая и практическая значимость работы состоит в том, что разработаны новые методы сегментации и классификации ультразвуковых изображений поджелудочной железы, основанные на формировании дескрипторов, отражающих геометрические свойства контура границы поджелудочной железы. Предложены новые модели формирования дескрипторов для классификаторов, основанные на совершенствовании методов морфологического и спектрального анализа полутоновых растровых изображений. Разработанные методы, алгоритмы и соответствующее программное обеспечение составили основу построения СППВР по диагностике и дифференциальной диагностике заболеваний поджелудочной железы, апробация элементов которой позволяет рекомендовать её к использованию при описании ультразвуковых изображений поджелудочной железы.

Работа выполнена в рамках реализации программы развития ФГБОУ ВО «Юго-Западный государственный университет» программы стратегического академического лидерства «Приоритет-2030» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Результаты работы внедрены в образовательный процесс Юго-Западного государственного университета при подготовке магистров по направлению 12.04.04 «Биотехнические системы и технологии».

Методы исследований. Для решения поставленных задач использовались методы: теории биотехнических систем медицинского назначения, теории ортогональных преобразований, математической статистики, теории обработки изображений, теории распознавания образов, теории нейронных сетей. Программное обеспечение написано на Python 3.10 для Windows 7, 8, 10. При статистической обработке данных использовался пакет Excel 2013.

Положения, выносимые на защиту. Метод выделения контура поджелудочной железы на черезкожном ультразвуковом изображении, , позволяющий определять контур поджелудочной железы в серошкальном изображении в условиях малых соотношений сигнал-шум; автономный поисковый алгоритм выделения проксимального (заднего) контура сложной формы поджелудочной железы на черезкожном ультразвуковом изображении позволяет повысить его качество сегментации, в среднем, на 20%; классификатор риска заболеваний поджелудочной железы в основу работы которого положен анализ формы контура границ поджелудочной железы на ультразвуковых изображениях, обеспечивает показатели качества классификации на тестовых выборках, в среднем, 90%; способ оценки качества алгоритма выделения контура границ поджелудочной железы на черезкожном ультразвуковом изображении, позволяет провести сравнительную оценку методов и алгоритмов сегментации зашумленных изображений.

Степень достоверности и апробация работы. Результаты исследования показали возможность воспроизводимости в разных условиях, согласованность с методами обработки и классификации изображений, теорией искусственных нейронных сетей и спектрального анализа, а также аналогичными результатами анализа и классификации через кожных УЗИ снимков ПЖ, которые были получены другими исследователями. Итоги экспериментальных исследований классификаторов риска заболеваний ПЖ не противоречат ранее опубликованными исследовательским данным по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы излагались, обсуждались, а также получили положительную оценку на 11 Всероссийских и Международных конференциях: «Медицинские приборы и технологии» (Тула - 2024); «Физика и радиоэлектроника в медицине и экологии -ФРЭМЭ» (Владимир-Суздаль - 2024); «Intelligent Technologies and Data Science. CIT&DS» (Волгоград-2023); «Радиоэлектроника. Проблемы и перспективы развития» (Тамбов - 2023); «Нейроинформатика, её приложения и анализ данных» (Красноярск -2023); Проблемы информатики в образовании, управлении, экономике и технике

(Пенза - 2023); Биотехнология и биомедицинская инженерия (Курск -2923); «Медико-экологические информационные технологии» (Курск - 2022); «Лазерно-информационные технологии» (Новороссийск -2022, 2023); «Актуальные проблемы медицинской науки и образования» (Пенза - 2022); «Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века» (Пермь -2022); на семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск - 2021-2024).

Публикации. Основные результаты диссертационного исследования отражены в 1 3 научных работах, из них 2 статьи в ведущих рецензируемых научных журналах, 2 статья в Международной наукометрической базе Scopus и одно Свидетельство о регистрации программы для ЭВМ.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка литературы, включающего 37 отечественных и 81 зарубежных наименований. Работа изложена на 138 страницах машинописного текста, содержит 66 рисунков и 3 таблицы.

1 Диагностика заболеваний поджелудочной железы с использованием компьютерных интеллектуальных систем: современные

достижения

Согласно последним данным Всемирной организации здравоохранения (ВОЗ), опуб ликованным в 2020 году, смертность от рака ПЖ в России достигла 1,23% от общего числа смертей [77]. Коэффициент смертности с поправкой на возраст составляет 8,15 на 100 000 населения, что ставит Россию на 20-е место в мире. В России мужчины чаще болеют раком ПЖ, чем женщины [54]. Об этом свидетельствует тот факт, что мужчины употребляют чрезмерное количество алкоголя. Рак ПЖ развивается из двух видов клеток ПЖ: экзокринных клеток и нейроэндокринных. Наиболее распространенным является экзокринный, обычно обнаруживаемый на поздних стадиях. В целом смертность от рака ПЖ довольно высока, так как у большинства пациентов (> 80%) характерные для рака симптомы проявляются только на поздних стадиях. По данным [39], выживаемость больных аденокарциномой поджелудочной железы в мире в течение пяти лет составляет всего 6%. К сожалению, рак поджелудочной железы часто проявляется поздно, и только 20% пациентов с раком поджелудочной железы на момент обращения имеют операбельное заболевание. Для пациентов, которым может быть проведена успешная хирургическая резекция, 5-летняя выживаемость составляет 27%.

Первым шагом к эффективному лечению рака ПЖ является визуализация области человеческого тела, содержащей этот крошечный орган. Из-за анатомического расположения ПЖ и вариабельности ее формы и объема в брюшной полости (например, < 0, 5% всего объема) автоматическая сегментация ПЖ на интроскопических изображениях представляет собой сложную задачу. Тем не менее, компьютерный скрининг, предоперационная диагностика и количественная оценка ПЖ необходимы для разработки плана лечения. Как только на изображениях, содержащих ПЖ, выполнена эффективная сегментация,

она обеспечивает более надежное и количественное представление, чем измерения поперечного сечения. Кроме того, автоматизированная, надежная, быстрая и точная сегментация ПЖ, обрабатывающая тысячи сканированных изображений, может предоставить новую диагностическую информацию, помочь в предоперационном хирургическом планировании и быть принята в клинической практике. В контексте эффективной сегментации ПЖ процесс применения алгоритмов МО для получения или извлечения значимой информации и автоматизации процессов анализа изображений из УЗИ, рентгеновской компьютерной томографии (КТ) или магнитно-резонансной томографии (МРТ) стал очень активной областью исследований. Этот процесс позволяет неинвазивно характеризовать поражения и оценивать их прогрессирование и возможный ответ на терапию. Такие методы требуют много времени, поскольку требуют ручной сегментации интересующих структур.

После того, как шаг сегментации выполнен на УЗИ, КТ или МРТ, вторым шагом является диагностика сегментированного органа, чтобы сделать вывод, находится ли ПЖ в фазе заболевания или все еще в норме. Эта задача является классификацией, которая решается с использованием различных моделей МО, наиболее пропагандируемыми из которых в настоящее время являются СНС с различной архитектурой.

1.1 Анатомия и функции поджелудочной железы

ПЖ — это орган, расположенный в верхней левой части живота, окруженный другими органами, включая тонкий кишечник, желудок, печень и селезенку. На рисунке 1.1 показано расположение этого органа. ПЖ имеет анатомическую форму в виде плоской груши и имеет приблизительную длину 12-15 см.

Рисунок 1.1 - Расположение и анатомия поджелудочной железы [4]

Делится на головку, шейку, тело и хвост. Среди этих частей головка является самой широкой частью ПЖ и расположена по направлению к центру живота, в изгибе двенадцатиперстной кишки, которая является первым отделом тонкой кишки. Тело слегка вытянуто вверх, позади желудка и является самой длинной частью ПЖ. Шея является разделителем между головой и телом. Наконец, поджелудочная железа сужается к хвосту, который прилегает к селезенке. ПЖ функционирует как гетерокринная (эндокринная и экзокринная) железа. Он участвует в пищеварительной и эндокринной системе.

С одной стороны, как эндокринная железа, ПЖ регулирует содержание сахара в крови в организме человека, поскольку эндокринные клетки ПЖ, называемые островками Лангерганса, вырабатывают и выделяют гормоны непосредственно в кровоток. ПЖ имеет два основных гормона, таких как

инсулин, снижающий уровень сахара в крови, и глюкагон, целью которого является повышение уровня сахара в крови.

С другой стороны, как экзокринная железа, цель ПЖ состоитв том, чтобы производить ферменты, необходимые для пищеварения. Она производит трипсин и химотрипсин для переваривания белков. ПЖ вырабатывает также амилазу для переваривания углеводов и липазу для расщепления жиров. Эти ферменты высвобождаются в систему небольших протоков, ведущих к главному протоку поджелудочной железы, который проходит через тело ПЖ и несет панкреатические ферменты и другие выделения, которые в совокупности называются панкреатическим соком. Главный панкреатический проток соединяется с общим желчным актом, который несет желчь из желчного пузыря, в головку ПЖ и вместе они образуют фатерову ампулу, располагающуюся в двенадцатиперстной кишке. Высвобожденные ферменты перемещаются по протоку ПЖ в желчный проток в неактивной форме. Когда они попадают в двенадцатиперстную кишку, они активируются.

1.2 Анализ компьютерных методов сегментации поджелудочной железы

Согласно исследованию [13] при показателе выживаемости менее 7%, через пять лет после постановки диагноза, рак поджелудочной железы РПЖ имеет неблагоприятный прогноз. Кроме того, большинству пациентов ставится диагноз, когда они уже достигли стадии метастазирования. Однако в последние годы появились новые терапевтические возможности, которые продлевают выживаемость пациентов с диагностированным метастазированием, а терапия второй линии также может увеличить продолжительность лечения. Что касается этих фактов: нейроэндокринные новообразования, которые являются второй по распространенности карциномой ПЖ, также имеют плохой прогноз при диагностировании метастазов в печень. Число этапных обследований и циклов

химиотерапии у этих пациентов, которые, как правило, проводятся каждые два-три месяца, также увеличивается, и в этом контексте ультразвук предлагает дешевый и быстрый метод визуализации очаговых поражений печени. В целом, ультразвук обеспечивает аналогичную чувствительность по сравнению с магнитно -резонансной томографией (МРТ) и компьютерной томографией (КТ). Более того, ультразвуковое исследование более распространено, чем МРТ или КТ, и также включено в качестве предпочтительного метода визуализации по наблюдению за пациентами после резекции рака толстой кишки I или II стадии. Кроме того, в соответствии с рекомендациями ESMO по клинической практике, ультразвуковое исследование рекомендуется для оценки реакции пациентов с РПЖ, проходящих паллиативное лечение. Однако из-за различных проявлений метастазов в печени при получении ультразвуковых изображений интерпретация некоторые из них плохо согласуются между наблюдателями. Наконец, ручное описание поражений печени для оценки их размера требует много времени и приводит к различным результатам из-за плохого согласования между наблюдателями [13].

Другими специалистами, работающими в области сегментации изображений, являются, например, Хао и др. [23], Куан и др. [52] и Чюрте и др. [6]. Хао и др. использовал метод выращивания региона, который выполняется в векторном пространстве с множеством функций. При этом они разрабатывают три критерия для контроля роста региона:

1) Они используют глобальную информацию вместо локальной информация для растущего региона.

2) Они внедряют новую идею, называемую "географическое сходство", чтобы преодолеть влияние спекл-шума и артефактов затухания.

3) Они используют критерий компетентности с равными возможностями, чтобы результаты не зависели от порядка обработки.

Бахрами и соавт. [13] на ультразвуковых изображениях определяли границы гемангиомы печени. Их предварительная обработка включала в себя три основных этапа: (1) Этап повышения контрастности изображения с использованием так называемой разницы в смещении Гауссовский подход. (2) Применение фильтра

Canny edge. (3) Применение адаптивного порога для определения гемангиомы. Наконец, на втором этапе для сегментации области гемангиомы применяется алгоритм snake.

Бакас и др. [13] представляют полуавтоматическую сегментацию очаговые поражения печени при ультразвуковом исследовании с контрастированием, которое основано на вероятностной модели. Таким образом, они предлагают двухэтапный метод, инициализируемый одной исходной точкой. На первом этапе применяются прямоугольные силовые функции для повышения точности и вычислительной эффективности модели активного эллипса для аппроксимации формы очагового поражения печени. Затем применяется вероятностный метод уточнения границ для итеративной классификации граничных пикселей. Гатос и др. сообщил об автоматизированном алгоритме количественной оценки для обнаружения и оценки очаговых поражений печени с помощью ультразвукового исследования с контрастным усилением. Обнаружение поражения включает в себя вейвлет-преобразование, использующее нулевые переходы в качестве шага инициализации метода Маркова и модель случайного поля для выделения контура поражения. После определения поражения по кадрам вычисляется временная кривая интенсивности, которая показывает поведение контрастных веществ на всех сосудистых фазах по отношению к прилегающей паренхиме. Для каждой кривой временной интенсивности автоматически вычислялись восемь признаков, которые использовались в алгоритме классификации с помощью метода опорных векторов.

Джейн и Кумар [13] предложили фильтры с разницей по регионам для сегментации ультразвуковых изображений. Фильтры разности областей оценивают максимальную разницу между средним значением двух областей окна вокруг центрального пикселя, что приводит к получению изображения с разницей областей для всего изображения. После этого изображение с разницей областей преобразовали в бинарное изображение и морфологически обработали для сегментации желаемого очага на основе ультразвукового изображения.

Quan и др. [52] представляет сегментацию ультразвуковых изображений опухолей с помощью метода нормализованного разреза на основе областей (Ncut).

На первом этапе они используют алгоритм линейной итеративной кластеризации, чтобы разделить изображение на несколько однородных сверхсегментированных областей. Затем эти области интерпретируются как узлы, и формируется матрица подобия, которая строится путем сравнения гистограмм каждой из двух областей. На последнем этапе применяется метод Ncut для объединения более сегментированных областей.

Ciurte [6] и соавт. предлагают подход к сегментации ультразвуковых изображений под контролем пользователя, основанный на представлении фрагментов и непрерывном минимальном разрезе. Подводя итог, можно сказать, что они используют график участков изображения для представления ультразвукового изображения и инициализацию с помощью пользователя с помощью меток, которые действуют как мягкие предварительные условия, и формулируют это как непрерывную задачу минимального сокращения, решаемую с помощью алгоритма оптимизации.

1.3 Процедуры получения и обработки ультразвуковых изображений

поджелудочной железы

Согласно [20], [21] изображения поджелудочной железы получали с помощью ультразвукового аппарата, например, KONTRON (Sigma 330 Expert) с конвексным датчиком 3,5 МГц. Они сохраняются с помощью уникального оборудования в формате DICOM. Затем изображения будут подвергнуты методам обработки изображений, состоящим из улучшения изображения и сегментации изображения. Чтобы оптимизировать метод измерения размера, были сравнены некоторые методы улучшения изображения, чтобы найти лучший метод улучшения ультразвукового изображения поджелудочной железы. Выбранную технику затем применили до сегментации поджелудочной железы. На рисунке 1.2 показана блок-схема получения изображения с ультразвукового аппарата.

Список литературы диссертационного исследования кандидат наук Аль-Дарраджи Часиб Хасан Аббуди, 2024 год

Список литературы

1. Adler DG, Lichtenstein D, Baron TH, et al: The role of endoscopy in patients with chronic pancreatitis. Gastrointest Endosc 2006 Jun; 63(7): 933-7.

2. Agapi Davradou. Detection and Segmentation of Pancreas using Morphological Snakes and Deep Convolutional Neural Networks. 10.48550/arXiv.2302.06356.

3. Almeida Luis. C1. 2 multilayer perceptrons. Handbook of Neural Computation C, 1, 1997.

4. Anatomy of human pancreas, with labels. URL: https://www.album-online.com/detail/en/NzY3N2QwMA/anatomy-human-pancreas-labels-alb3892889. (дата обращения: 17.04.2024). - Текст : электронный.

5. Canny J. A Computational Approach to Edge Detection. IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol. Pami-8, No. 6, November 1986.

6. Ciurte A. et al., "Semi-supervised segmentation of ultrasound images based on patch representation and continuous min cut", PloS One, vol. 9, pp. e100972, 2014.

7. Claude Lemar'echal. Cauchy and the gradient method. Doc Math Extra, 251(254):10, 2012.

8. Dabagov, A.R. An Automated System for Classification of Radiographs of the Breast. / A. R. Dabagov, V. A. Gorbunov, S. A. Filist, I. A. Malyutina, D. S. Kondrashov // Biomedical Engineering. 2020;53(6): 425-428. DOI: 10.1007/s 10527020-09957-7.

9. Davradou Agapi. Detection and segmentation of pancreas using morphological snakes and deep convolutional neural networks. 2021.

10. Deng, J. Imagenet: A large-scale hierarchical image database / J. Deng, W, Dong, R. Socher, L-J. Li, K. Li, L. Fei-Fei // In 2009 IEEE conference on computer vision and pattern recognition, pages 248-255. Ieee, 2009.

11. Diederik, K. A method for stochastic optimization / K. Diederik, J. Ba // arXiv preprint arXiv:1412.6980, 2014.

12. Duchi, J. Adaptive subgradient methods for online learning and stochastic optimization / J. Duchi, E. Hazan, Y. Stinger // Journal of machine learning research 12(7), 2011.

13. Dumoulin, V. A guide to convolution arithmetic for deep learning / V. Dumoulin, F. Visin // arXiv preprint arXiv:1603.07285, 2016.

14. Egger, J. et al., In-depth assessment of an interactive graph-based approach for the segmentation for pancreatic metastasis in ultrasound acquisitions of the liver with two specialists in Internal Medicine. 10th Biomedical Engineering International Conference (BMEiCON), Hokkaido, Japan, 2017, pp. 1-5, doi: 10.1109/BMEiC0N.2017.8229099.

15. Filist, S.A. Hybrid intelligent models for chest X-ray image segmentation / S. A. Filist, R. A. Tomakova, S. V. Degtyarev, A. F. Rybochkin // Biomedical Engineering. 2018;51(5):358-363. DOI: 10.1007/s10527-018-9748-5.

16. Filist, S.A. Classification of Medical Images Based on the Spectra of Local Windows / S. A. Filist, D. S. Kondrashov A. A. Kuz'min, A. Yu. Sukhomlinov, Ch. Kh. Al'-Darradzhi // Biomedical Engineering. - 2024. https://doi.org/10.1007/s10527-023-10324-5.

17. Forrest, I. Squeezenet: Alexnet-level accuracy with 50x fewer parameters and< 0.5 mb model size / I. Forrest, S. Han, M. W. Moskewicz, K. Ashraf, W. J. Dally, K. Keutzer // arXiv preprint arXiv:1602.07360, 2016.

18. Freund, Y. A decision-theoretic generalization of on-line learning and an application to boosting / Y. Freund, R. Schapire // Journal of computer and system sciences 55, 119-139 (1997).

19. Fu, M. Hierarchical combinatorial deep learning architecture for pancreas segmentation of medical computed tomography cancer images / M. Fu, W. Wenming, H. Xiafei, L. Qiuhua, J. Jialin, O. Yaobin, Z. Yupei, G. Xinqi // BMC systems biology, 12(4):119-127, 2018.

20. Goldman, L. Principles of ct: multislice ct. Journal of nuclear medicine technology, 36(2):57-68, 2008.

21. Goodfellow, I. Deep learning / I. Goodfellow, B. Yoshua, C. Aaron // MIT press, 2016.

22. Geoffrey, H. Neural networks for machine learning lecture 6a overview of mini-batch gradient descent / H. Geoffrey, N. Srivastava, K. Swersky // Cited on, 14(8):2, 2012.

23. Hafizah, W. Comparative Evaluation of Ultrasound Kidney Image Enhancement Techniques / W. Hafizah, S. Hafizah // International Journal of Computer Applications. 21. 10.5120/2524-3432

24. Hafizah, W. Optimization of pancreas measurement techniques based on ultrasound images / W. Hafizah, W. W. Yun, S. Hafizah // WSEAS Transactions on Biology and Biomedicine. 8. 135-144.

25. Hao, L. Pancreas segmentation via spatial context-based u-net and bidirectional lstm / L. Hao, L. Jun, L. Xiaozhu, Q. Xiaohua // arXiv preprint arXiv: 1903.00832, 2019.

26. Heinrich, M. Fewer layers to solve 3d multi-organ segmentation with sparse deformable convolutions / M. Heinrich, O. Oktay, N. Bouteldja // Medical image analysis, 54:1-9, 2019.

27. Hoerl, A. Ridge regression: Biased estimation for nonorthogonal problems / A. Hoerl, R. Kennard // Technometrics, 12(1):55-67, 1970.

28. Holger, R. Deep convolutional networks for pancreas segmentation in ct imaging / R. Holger, A. Farag, L. Lu, E. B. Turkbey, R. M. Summers // In Medical Imaging 2015: Image Processing, volume 9413, pages 378-385. SPIE, 2015.

29. Huang, G. Densely connected convolutional networks / G. Huang, L. Zhuang, L. V. D. Maaten, K. Q. Weinberger // In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4700-4708, 2017.

30. Hubel, D. Receptive fields of single neurones in the cat's striate cortex / D. Hubel, N. W. Torsten // The Journal of physiology, 148(3):574, 1959.

31. Hussein, S. Lung and pancreatic tumor characterization in the deep learning era: novel supervised and unsupervised learning approaches / S. Hussein, P. Kandel, C.

W. Bolan, M.l B. Wallace, U. Bagci // . IEEE transactions on medical imaging, 38(8):1777-1787, 2019.

32. Kaiming, H. Deep residual learning for image recognition / H. Kaiming, X. Zhang, R. Shaoqing, J. Sun // In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770-778, 2016.

33. Ke, S. Fully end-to-end deep-learning-based diagnosis of pancreatic tumors / S. Ke, X. Ying, Y. Xiazhen, Z. Xinpei, L. Qinghai, G. Wei, L. Tingbo, D. Shumin // Theranostics, 11(4):1982, 2021.

34. Krig, S. Computer Vision Metrics. Survey, Taxonomy and Analysis of Computer Vision, Visual Neuroscience, and Deep Learning. Springer Cham, 2016 - 637p. DOI: 10.1007/978-3-319-33762-3.

35. Krizhevsky, A. Imagenet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // Advances in neural information processing systems, 25, 2012.

36. Kuzmin, A. Two-Dimensional Walsh Spectral Transform in Problems of Automated Analysis of Ultrasound Images. In: Kravets, A.G., Shcherbakov, M.V., Groumpos, P.P. (eds) Creativity in Intelligent Technologies and Data Science. CIT&DS 2023 / A. Kuzmin, H. C. Al-Darraji, A. Sukhomlinov, S. A. Filist // Communications in Computer and Information Science, vol 1909. Springer, Cham. (2023). https://doi.org/10.1007/978-3-031-44615-3 32.

37. Matthew, Z. / Adadelta: an adaptive learning rate method // arXiv preprint arXiv:1212.5701, 2012.

38. Mazurowski, M. Deep learning in radiology: An overview of the concepts and a survey of the state of the art with focus on mri / M. Mazurowski, M. Buda, S. Ashirbani, M. R. Bashir // Journal of magnetic resonance imaging, 49(4):939-954, 2019.

39. McGuigan, A. Pancreatic cancer: A review of clinical diagnosis, epidemiology, treatment and outcomes / A. McGuigan, P. Kelly, R. C. Turkington, J. Claire, H. G. Coleman, R. S. McCain // World journal of gastroenterology, 24(43):4846, 2018.

40. Melvin, J. Google's multilingual neural machine translation system: Enabling zero-shot translation / M. Johnson, M. Schuster, Q. V. Le, M. Krikun, Y. Wu, Z. Chen, N. Thorat, F. Vi'egas, M. Wattenberg, G. Corrado // Transactions of the Association for Computational Linguistics, 5:339- 351, 2017.

41. Matsubara, H. Dynamic quantitative evaluation of contrast-enhanced endoscopic ultrasonography in the diagnosis of pancreatic diseases/ H. Matsubara, A. Itoh, H. Kawashima, T. Kasugai, E. Ohno, T. Ishikawa, et al. //Pancreas. 2011;40:1073---9.

42. Naji, K. Projective adversarial network for medical image segmentation / K. Naji, A. Mortazi, M. Wallace, U. Bagci // In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 68-76. Springer, 2019.

43. Ning, Q. On the momentum term in gradient descent learning algorithms. Neural networks, 12(1):145-151, 1999.

44. Ningning, Z. Fully automated pancreas segmentation with two-stage 3d convolutional neural networks / Z. Ningning, N. Tong, D. Ruan, K. Sheng // In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 201-209. Springer, 2019.

45. Ohno, E. Malignant transformation of branch duct-type intraductal papillary mucinous neoplasms of the pancreas based on contrast-enhanced endoscopic ultrasonography morphological changes: focus on malignant transformation of intraductal papillary mucinous neoplasm itself/ E. Ohno, A. Itoh, H. Kawashima, T. Ishikawa, H. Matsubara, Y. Itoh, et al. // Pancreas. 2012;41: 855---62.

46. Oktay, O. Learning where to look for the pancreas / O. Oktay, J. Schlemper, L. L. Folgoc, M. Lee, M. Heinrich, K. Misawa, K. Mori, S. McDonagh, N. Y. Hammerla, B. Kainz // arXiv preprint arXiv:1804.03999, 2018.

47. Oren, M. Pedestrian detection using wavelet templates / M. Oren, C. Papageorgiou, P. Sinha, E. Osuna, T. Poggio // In Computer Vision and Pattern Recognition, pages 193-99, 1997.

48. Ozkan, M. Age-based computer-aided diagnosis approach for pancreatic cancer on endoscopic ultrasound images / M. Ozkan, M. Cakiroglu, O. Kocaman, M.

Kurt, B. Yilmaz, G. Can, U. Korkmaz, E. Dandil, Z. Eksi // Endoscopic Ultrasound. 2016;5(2):101. DOI: 10.4103/2303-9027.180473.

49. Papageorgiou, C. A general framework for object detection / C. Papageorgiou, M. Oren, T. Poggio // ICCV, 1998. DOI: 10.1109/ICCV.1998.710772/

50. Pinaya, W. H. L. Convolutional neural networks / W. H.L. Pinaya, S. Vieira, R. Garcia-Dias, and A. Mechelli // In Machine learning, pages 173-191. Elsevier, 2020.

51. Poce, I. Pancreas Segmentation in CT Images: State of the Art in Clinical Practice / I. Poce, J. Arsenjeva, A. Kielaite-Gulla, A. Samuilis, K. Strupas, G. Dzemyda // Baltic Journal of Modern Computing, 2021, Vol 9, Issue 1, p25

52. Polikar, R. Ensemble based systems in decision making. IEEE Circuit Syst. Mag. 6, 21-45.

53. Polyak, B. Some methods of speeding up the convergence of iteration methods. Ussr computational mathematics and mathematical physics, 4(5):1-17, 1964.

54. Qian, N. On the momentum term in gradient descent learning algorithms. Neural networks, 12(1):145-151, 1999.

55. Qihang, Y. Coarse-to-fine neural architecture search for 3d medical image segmentation / Y. Qihang, D. Yang, R. Holger, B. Yutong, Z. Yixiao, A. L. Yuille, X. Daguang // In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 4126-4135, 2020.

56. Quan, L. Segmentation of tumor ultrasound image via region-based Ncut method / L. Quan, D. Zhang, Y. Yang, Y. Liu, Q. Qin // Wuhan Univ. J. Nat. Sci., vol. 18, no. 4, pp. 313-318, 2013/

57. Raghu, M. Transfusion: Understanding transfer learning for medical imaging / M. Raghu, C. Zhang, J. Kleinberg, S. Bengio // Advances in neural information processing systems, 32, 2019.

58. Razvodovsky, Y. Alcohol consumption and pancreatitis mortality in Russia. JOP. Journal of the Pancreas, 15(4):365-370, 2014.

59. Rosenblatt, F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, 65(6):386, 1958.

60. Saftoiu, A. Efficacy of an artificial neural network-based approach to endoscopic ultrasound elastography in diagnosis of focal pancreatic masses / A. Saftoiu, P. Vilmann, F. Gorunescu, J. Janssen, M. Hocke, M. Larsen, J. Iglesias-Garcia, P. Arcidiacono, U. Will, M. Giovannini, C. F. Dietrich, R. Havre, C. Gheorghe, C. McKay, D. I. Gheonea, T. Ciurea // The Official Clinical Practice Journal of the American Gastroenterological Association. 2012;10(1):84-90. DOI: 10.1016/j.cgh.2011.09.014.

61. Shorten, C. A survey on Image Data Augmentation for Deep Learning / C. Shorten, T. M. Khoshgoftaar // J Big Data 6, 60 (2019). https://doi.org/10.1186/s40537-019-0197-0.

62. Srivastava, N. Dropout: a simple way to prevent neural networks from overfitting / N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov // The journal of machine learning research, 15(1):1929—1958, 2014.

63. Sutskever, I. On the importance of initialization and momentum in deep learning / I. Sutskever, J. Martens, G. Dahl, and G. Hinton // In International conference on machine learning, pages 1139-1147. PMLR, 2013.

64. Sutton, R. Two problems with back propagation and other steepest descent learning procedures for networks / In Proceedings of the Eighth Annual // Conference of the Cognitive Science Society, 1986, pages 823-832, 1986.

65. Szegedy, C. Going deeper with convolutions / C. Szegedy, W. Liu, Y. Jia, Pierre S., S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich // In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 1-9, 2015.

66. Tian, G. Deep learning for real-time auxiliary diagnosis of pancreatic cancer in endoscopic ultrasonography / Tian G., Xu D., He Y., Chai W., Deng Z., Cheng C., Jin X., Wei G., Zhao Q., Jiang T. // Frontiers in Oncology. 2022;12:973652. DOI: 10.3389/fonc.2022.973652.

67. Tibshirani, R. Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1):267-288, 1996.

68. Tieu, K. Boosting Image Retrieval / Tieu K., Viola P. // International Journal of Computer Vision 56, 17-36 (2004). DOI: 10.1023/B:VISI.0000004830.93820.78

69. Udristoiu, A.L. Real-time computer-aided diagnosis of focal pancreatic masses from endoscopic ultrasound imaging based on a hybrid convolutional and long short-term memory neural network model / Udristoiu A.L., Cazacu I.M., Gruionu L.G., Gruionu G., Iacob A.V., Burtea D.E., Ungureanu B.S., Costache M.I., Constantin A., Popescu C.F., Udristoiu S., Saftoiu A. // PloS one. 2021;16(6):e0251701. DOI: 10.1371/journal.pone.0251701.

70. Viola, P. Robust real-time face detection / Viola P., Jones M. // Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001, Vancouver, BC, Canada, 2001, pp. 747-747, DOI: 10.1109/ICCV.2001.937709.

71. Yang, Z. Pancreas segmentation in abdominal ct scans using inter-/intra-slice contextual information with a cascade neural network / Z. Yang, L. Zhang, M. Zhang, J. Feng, Z.Wu, F. Ren, and Y. Lv // In 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 5937-5940. IEEE, 2019.

72. Yanji, L. Preoperative prediction of pancreatic neuroendocrine neoplasms grading based on enhanced computed tomography imaging: validation of deep learning with a convolutional neural network / L. Yanji, X. Chen, J. Chen, C. Song, J. Shen, H. Xiao, M. Chen, Z. Li, B. Huang, and S. Feng // Neuroendocrinology, 110(5):338-350, 2020.

73. Yann, L. Gradient-based learning applied to document recognition / L. Yann, L. Bottou, Y. Bengio, and P. Haffner // Proceedings of the IEEE, 86(11):2278-2324, 1998.

74. Zemlyakova, SS. Pancreatic cancer: statistics and treatment in the Russian federation / Zemlyakova SS, Kiseleva YV, Zharikova TS, Antonyan SG, Tupikin KA, Nikolenko VN, et al // Russian Open Medical Journal, 9(4), 2020.

75. Zhang, Z. A novel and efficient tumor detection framework for pancreatic cancer via ct images / Z Zhang, S. Li, Z. Wang, and Y. Lu. In 2020 42nd Annual International Conference of the IEEE Engineering in Medicine // Biology Society (EMBC), pages 1160-1164. IEEE, 2020.

76. Zhao, W. Markerless pancreatic tumor target localization enabled by deep learning / W. Zhao, L. Shen, B. Han, Y. Yang, K. Cheng, D. AS Toesca, Albert C Koong, Daniel T Chang, and Lei Xing. International Journal of Radiation Oncology* Biology* Physics, 105(2):432-439, 2019.

77. Zhao, N. Fully automated pancreas segmentation with two-stage 3d convolutional neural networks / N. Zhao, T. Nuo, R. Dan, and S. Ke // In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 201-209. Springer, 2019.

78. Zheng, H. Deep pancreas segmentation with uncertain regions of shadowed sets / H. Zheng, Y. Chen, X. Yue, C. Ma, L. Xianhui, P. Yang, L. Jianping // Magnetic Resonance Imaging, 68:45-52, 2020.

79. Zhou, Y. and Chellappa R. Computation of optical flow using a neural network / In ICNN, pages 71-78, 1988.

80. Zhou, Y. Deep supervision for pancreatic cyst segmentation in abdominal ct scans / Y. Zhou, L. Xie, E. K Fishman, and A. L Yuille // In International conference on medical image computing and computer-assisted intervention, pages 222-230. Springer, 2017.

81. Zhuotun, Z. V-nas: Neural architecture search for volumetric medical image segmentation / Z. Zhuotun, C. Liu, Dong Yang, A. Yuille, and Daguang Xu // In 2019 International conference on 3d vision (3DV), pages 240-248. IEEE, 2019.

82. Аль-Дарраджи, Часиб Хасан. Двумерное спектральное преобразование Уолша в задачах анализа ультразвуковых изображений внутренних органов человека/ Часиб Хасан Аль - Дарраджи, А.Ю. Сухомлинов // Лазерно-информационные технологии - 2023: труды XXXI международной научной конференции (г. Новороссийск, Краснодарский край, 11-16 сентября 2023 г). -Новороссийск: Изд-во НФ БГТУ им. В. Г. Шухова, 2023. -- С. 188-191.

83. Аль-Дарраджи, Часиб Хасан Нормализация ультразвуковых изображений в системах автоматизированного анализа/ Часиб Хасан Аль-Дарраджи, А.Ю. Сухомлинов, А.А. Кузьмин //Биотехнология и биомедицинская инженерия: сборник научных трудов по материалам XIII Всероссийской научно-

практической конференции с международным участием, посвященной 88-летию Курского государственного медицинского университета (23 ноября 2023 года) -Курск: Изд-во КГМУ, 2023. - С.231-234.

84. Аль-Дарраджи, Ч.Х. Гибридные интеллектуальные модели для классификации изображений видеоряда / Часиб Хасан Аль-Дарраджи, Горбачев И.Н., Бутусов А.В.// Лазерно-информационные технологии: труды XXX Международной научной конференции (12-17 сентября 2022 г.). - Новороссийск: НФ ФГБОУ ВО «Белгородский государственный технологический университет им. В.Г. Шухова», 2022. - С. 124-125.

85. Аль-Дарраджи, Часиб Хасан. Многооконные спектры Уолша-Адамара в классификаторах снимков видеоряда / Часиб Хасан Аль-Дарраджи, А. Ю. Сухомлинов //Радиоэлектроника. Проблемы и перспективы развития [Электронный ресурс]: сборник трудов Восьмой всероссийской молодежной научной конференции / под ред. Д. Ю. Муромцева и др. ; ФГБОУ ВО «ТГТУ». -Тамбов : Издательский центр ФГБОУ ВО «ТГТУ», 2023. - С.338-340.

86.Белых, В.С., Ефремов М.А., Филист С.А. Разработка и исследование метода и алгоритмов для интеллектуальных систем классификации сложноструктурируемых изображений/ В.С. Белых, Ефремов М.А., Филист С.А.//Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016;(2):12-24.

87. Борисовский, С.А. Гибридные модели и алгоритмы для анализа сложноструктурированных изображений в интеллектуальных системах медицинского назначения: специальность 05.13.01 "Системный анализ, управление и обработка информации (по отраслям)" : диссертация на соискание ученой степени кандидата технических наук / Борисовский Сергей Александрович. -Курск, 2012. - 179 с. - EDN QFTVHB.

88. Бутусов, А.В. Программное обеспечение для синтеза моделей классификаторов изображений видеоряда / А.В. Бутусов, Д.С. Кондрашов, И.Н. Горбачев, Ч.Х. Аль-Дарраджи // Медико-экологические информационные

технологии - 2022 = Medical-ecological information technologies - 2022: сборник научных статей по материалам XXV Международной научно-технической конференции, (16-17 мая 2022 г.). - Курск: ЮЗГУ, 2022. - С. 8-15. - URL: https://www.elibrary.ru/download/elibrary_50037597_35937020.pdf.

89. Дабагов, А.Р. Автоматизированная система классификации рентгенограмм молочной железы /А.Р. Дабагов, В.А. Горбунов, С.А. Филист, И.А. Малютина, Д.С. Кондрашов // Медицинская техника. - 2019. - №6 (318). - С. 3941.

90. Дабагов, А.Р. Автоматизированная система для классификации заболеваний молочной железы по рентгеновским маммографическим снимкам / А.Р. Дабагов, И.А. Малютина, Д.С // Кондрашов Прикаспийский журнал: управление и высокие технологии. - 2019. - № 4 (48). - С. 10-24.

91. Дусмухамедова, З.Т. Характерные особенности ультразвуковой картины хронического панкреатита / З.Т. Дусмухамедова, А.А. Фазилов, М.Я. Абзалова // Молодой учёный. № 10 (144). - С.133-136.

92. Дюдин, М.В. Математические модели для интеллектуальных систем классификации рентгенограмм грудной клетки / М.В. Дюдин, П.С. Кудрявцев, К.В. Подмастерьев, С.А. Филист, О.В. Шаталова // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016;(2):94-107.

93. Захаров, А.В. Некоторые методы сравнительного исследования детекторов границ / А.В. Захаров, П.П. Кольцов, Н.В. Котович, А.А.Кравченко, А.С.Куцаев, А.С.Осипов // ТРУДЫ НИИСИ РАН, Том 2, № 1, 2012. - С.1-13.

94. Кондрашов, Д.С. Многомасштабные спектральные преобразования в классификаторах снимков видеоряда / Д.С. Кондрашов, В.А. Белозеров, И.Н. Горбачев, Ч.Х. Аль-Дарраджи // Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века: сборник статей по материалам Восьмой всероссийской научно-практической конференции с международным участием (25-26 октября 2022 г.). - Пермь: ПГНИУ, 2022. - С. 62-68. -URL:https://www.elibrary.ru/download/elibrary_49701259_89577767 .pdf.

95. Кудрявцев, П.С. Моделирование морфологических образований на рентгенограммах грудной клетки в интеллектуальных диагностических системах медицинского назначения / П.С. Кудрявцев, А.А. Кузьмин, Д.Ю. Савинов, С.А. Филист, О.В. Шаталова // Прикаспийский журнал: управление и высокие технологии. 2017;(3): 109-120.

96. Кудрявцев, П.С. Развитие методологии бустинга для классификации флюорограмм грудной клетки / П.С. Кудрявцев, А.А. Кузьмин, С.А. Филист // Биомедицинская радиоэлектроника. 2016;9:10-15.

97. Кузьмин, А.А. Автоматизированная классификация абдоминальных ультразвуковых изображений поджелудочной железы на основе спектрального представления контуров ее границы / А.А. Кузьмин, А.Ю. Сухомлинов, Часиб Хасан Аль-Дарраджи, Р.А. Томакова // Известия Юго-Западного государственного университета.Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 1. - С. 67-87.

98. Кузьмин, А.А. Детектор состояния пикселя ультразвукового изображения на основе оконного двумерного преобразования уолша. / А.А. Кузьмин, Часиб Х. Аль-Дарраджи, А.Ю. Сухомлинов //Проблемы информатики в образовании, управлении, экономике и технике : сб. ст. XXIII Междунар. науч.-техн. конф., посвящ. 80-летию Пензенского государственного университета (г. Пенза, 24-25 ноября 2023 г.) / под ред. А. В. Кузьмина, В. В. Дрождина. - Пенза : Изд-во ПГУ, 2023. - С.167-171.

99. Кузьмин, А.А. Двумерное спектральное преобразование Уолша в системах искусственного интеллекта классификации ультразвуковых изображений/А.А. Кузьмин, Часиб Хасан Аль- Дарраджи, С.А. Филист, А.Ю. Сухомлинов//Нейроинформатика, её приложения и анализ данных: Материалы XXXI Всероссийского семинара, 29 сентября 2023 года. - Красноярск: Институт вычислительного моделирования СО РАН, 2023. - С. 73-82.

100. Курочкин, А.Г. Алгоритмы метаанализа эффективности диагностических и терапевтических решений на основе мониторинга суррогатных маркеров, получаемых по результатам анализа сложноструктурируемых

изображений / А.Г. Курочкин, А.А. Кузьмин, Е.А. Старцев, С.А. Филист // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016. № 4 (21). С. 41-55.

101. Малютина, И.А. Методы и алгоритмы анализа рентгенограмм грудной клетки, использующие локальные окна в задачах обнаружения патологий / И.А. Малютина, А.А. Кузьмин, О.В. Шаталова // Прикаспийский журнал: управление и высокие технологии. 2017. № 3 (39). С. 131-138.

102. Махов, В.М. Этиологические аспекты диагностики и лечение хронического панкреатита / Российский медицинский журнал. 2006, 3. - С. 3-8.

103. Омельченко, В.П. Практикум по медицинской информатике / В.П. Омельченко, А.А. Демидова // Серия учебники. Учебные пособия / Ростов на Дону. Феникс, 2001.-304с.

104. Томакова,, Р.А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях / Р.А. Томакова, С.А. Филист, А.А. Насер // Биомедицинская радиоэлектроника. 2012. -№ 4. - С.43-49.

105. Томакова, Р.А. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных функций среды MATLAB / Р.А. Томакова, С.А. Филист // Вестник Читинского государственного университета. 2012. - № 1 (80). -С.3-9.

106. Томакова, Р.А. Анализ гистологических изображений посредством морфологических операторов, синтезированных на основе преобразования Фурье и нейросетевого моделирования / Р.А. Томакова, С.А. Филист, С.А. // Горбатенко Биотехносфера. 2010. - № 3(9). - С.54-60.

107. Томакова, Р.А. Программное обеспечение автоматической классификации рентгенограмм грудной клетки на основе гибридных классификаторов / Р.А. Томакова, С.А. Филист, И.В. Дураков // Экология человека. 2018;(6):59-64.

108. Томакова, Р.А. Нечеткая сетевая модель интеллектуального морфологического оператора для формирования границ сегментов / Р.А. Томакова, С.А. Филист, В.В. Руденко // Научные ведомости БелГУ. - Белгород: Изд-во БелГУ, 2011. -№ 1(96). Вып. 17/1. - С.188-195.

109. Филист, С.А. Универсальные сетевые модели для задач классификации биомедицинских данных / С.А. Филист, Р.А. Томакова, До Яа Зар // Известия Юго-Западного государственного университета. - 2012. - Т.43, № 4 (Часть 2). - С. 4450.

110. Филист, С. А. Гибридная нейронная сеть с макрослоями для медицинских приложений. / С. А.Филист, О. В. Шаталова, М. А. Ефремов // Нейрокомпьютеры. Разработка и применение. - 2014. - №6. - С. 35-39.

111. Филист, С.А. Метод каскадной сегментации рентгенограмм молочной железы. / С.А. Филист, А.Р. Дабагов, Р.А. Томакова, И.А. Малютина, Д.С. Кондрашов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. - Т. 9, № 1. - С. 49-61. - URL: http s:// swsu.ru/izvestiya/ seriesivt/archiv/1 _2019.pdf.

112. Филист, С.А. Классификация медицинских изображений на основе анализа спектров локальных окон / С.А. Филист, Д.С. Кондрашов, А.А. Кузьмин, А.Ю. Сухомлинов, Ч.Х. Аль-Дарраджи // Медицинская техника №5, 2023. - С. 1820.

113. Филист, С.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / С.А. Филист, К.Д. Али Кассим, А.А. Кузьмин, О.В. Шаталова, Е.А. Алябьев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016;(4):56-68.

114. Филист, С.А. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений. / С.А. Филист, А.Р. Дабагов, Р.А. Томакова, И.А. Малютина, Д.С. Кондрашов //

Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. -Т. 9, № 3. - С. 44-63. - URL: https://swsu.ru/izvestiya/seriesivt/archiv/3_2019.pdf.

115. Филист, С.А. Автоматизированная система классификации снимков УЗИ поджелудочной железы на основе метода посегментного спектрального анализа. / С.А.Филист, Д.С. Кондрашов, А.Ю. Сухомлинов, Л.В. Шульга, Ч.Х. Аль-Дарраджи, В.А. Белозёров // Моделирование, оптимизация и информационные технологии. 2023;11(1). URL: https://moitvivt.ru/ru/journal/pdf?id=1302 DOI: 10.26102/2310-6018/2023.40.1.021.

116. Филист, С.А. Автоматизированная система для классификации снимков видеопотоков / С.А. Филист, М.В. Шевцов, В.А. Белозеров Д.С. Кондрашов, И.Н. Горбачев, Н.А. Корсунский // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. - Т. 11, № 4. - С. 85-105.

117. Филист, С.А. Клеточные процессоры в классификаторах многоканальных изображений / С.А. Филист, Р.А. Томакова, А.Н. Брежнева, И.А. Малютина, В.А. Алексеев // Радиопромышленность. 2019;(1):45-52.

118. Филист, С.А. Метод классификации сложноструктурируемых изображений на основе самоорганизующихся нейросетевых структур. / С.А. Филист, Р.А. Томакова, О.В. Шаталова, А.А. Кузьмин, К.Д. Али Кассим // Радиопромышленность. 2016;4:57-65.