Формирование набора признаков диагностических изображений на основе оценивания геометрических параметров формы характерных деталей тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Ананьин, Михаил Александрович

• Ананьин, Михаил Александрович
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Ананьин, Михаил Александрович

Глава 1 Математическая модель диагностического изображения, содержащего характерные детали.

1.1 Характерные детали диагностических изображений.

1.2 Модель изображения сосудов глазного дна.

1.3 Математическая модель изображения диска зрительного нерва.

Выводы и результаты.

Глава 2 Методы и алгоритмы оценивания геометрических параметров формы сегментов сосудов на изображениях глазного дна.

2.1 Диагностические признаки изображения глазного дна.

2.2 Выделение трассы сосуда на основе нечёткого поля направлений с использованием алгоритма Дейкстры.

2.3 Оценивание кривизны трассы сосуда с использованием вейвлет разложения.

2.3.1 Сглаживание исходной трассы сосуда.

2.3.2 Расчёт локальной многомасштабной кривизны трассы сосуда и построение первичного пространства признаков.

2.3.3 Построение вторичного пространства признаков по локальной многомасштабной кривизне.

2.4 Оценивание прямолинейности и извитости трассы сосуда с использованием геометрического разделения кривых.

2.4.1 Характерная деталь сегмента сосуда.

2.4.2 Построение первичного пространства признаков как набора геометрических характеристик отдельных лепестков сегмента сосуда.

2.4.3 Метод оценивания прямолинейности и извитости трассы сосуда по набору локальных геометрических характеристик сегмента сосуда.

Выводы и результаты.

Глава 3 Методы и алгоритмы оценивания геометрических параметров сосудов диска зрительного нерва на изображениях глазного дна.

3.1 Общая схема анализа сосудов ДЗН.

3.2 Локализация области ДЗН.

3.3 Построение профиля контура области ДЗН.

3.4 Оценивание геометрических параметров сосудов, пересекающих край ДЗН.

3.5 Оценивание диагностических параметров сосудов на изображениях глазного дна в области ДЗН.

Выводы и результаты.

Глава 4 Комплекс алгоритмов и программ формирования набора признаков биомедицинских диагностических изображений.

4.1 Программный комплекс имитационного моделирования и анализа центральных линий сегментов глазного дна.

4.1.1 Имитационное моделирование кривых.

4.1.2 Исследование точности оценивания признаков.

4.1.3 Исследование инвариантности признаков.

4.1.4 Тестирование алгоритмов на натурных изображениях.

4.2 Программный комплекс имитационного моделирования и анализа диска зрительного нерва.

4.2.1 Имитационное моделирование изображения глазного дна.

4.2.2 Экспериментальные исследования на синтезированных изображениях

4.2.3 Экспериментальные исследования на натурных изображениях.

4.3 Описание компьютерной системы ранней диагностики глазных заболеваний на основе анализа изображений глазного дна.

Выводы и результаты.

Введение диссертации (часть автореферата) на тему «Формирование набора признаков диагностических изображений на основе оценивания геометрических параметров формы характерных деталей»

Диссертация посвящена разработке методов и алгоритмов формирования набора признаков диагностических изображений на основе оценивания геометрических параметров формы характерных деталей для анализа диагностических изображений и созданию на этой основе программного обеспечения автоматизированных систем диагностики для биомедицинских приложений.

Диагностические изображения содержат достаточно полную, существенную информацию об исследуемом объекте, который может находиться в различных состояниях. Анализ диагностических изображений позволяет сделать выводы о фактическом состоянии объекта. Диагностические изображения широко используются в физике, биологии, медицине и технике.

В диссертации рассматривается два класса медицинских диагностических изображений, получаемых при исследовании глаза человека оптическим методом: изображение глазного дна и изображение диска зрительного нерва. Объединяет эти два класса изображений наличие в обоих случаях характерных деталей изображений, имеющих смысл кровеносных сосудов.

Во втором случае характерной деталью является также диск зрительного нерва, форма которого может быть различна. Именно они - характерные детали изображений - несут достоверную информацию о состоянии исследуемого объекта. Заметим, что на основании исследования кровеносных сосудов врач-диагност делает выводы не только о состоянии глаза, как органа зрения, но и диагностирует различные заболевания, в частности, диабета на ранней стадии [9, 13, 14].

С точки зрения информации изображение глаза представляет собой сложный объект, снабжённый с высокой плотностью характерными деталями сложной геометрической формы. Плотность заполнения глазного дна сосудами достигает 70%. Русло сосудов имеет до несколько десятков типовых разветвлений и изгибов, при этом толщина сосудов меняется на 1-2 порядка. Не удивительно, что данному классу изображений соответствует большое число разнообразных функциональных и диагностических характеристик.

Актуальность темы

Актуальность работы определяется наличием на мировом рынке медицинской техники большого спектра офтальмологического оборудования для получения высококачественных снимков глазного дна («Carl Zeiss Jena GmbH», «Topcon Imagenet», «Ophthalmie Imaging Systems» и др.), однако прикладное программное обеспечение у большинства таких систем содержит лишь наиболее общеупотребительные средства для предобработки, повышения визуального качества, маркировки изображений [11, 50, 52, 84, 90, 109, 123]. Одновременно бурно развиваются программно-технические комплексы полной компьютеризации клиник и практик, что должно привести к повышению спроса на программы мониторинга и экспертные системы, оперирующие цифровыми изображениями. На мировом рынке предлагается довольно большое разнообразие компьютерных систем медицинской диагностики, которые позволяют регистрировать диагностические изображения, но не имеют соответствующего программного обеспечения для автоматического анализа изображений, измерения диагностических признаков, постановки диагноза. Одной из таких систем диагностики глазных заболеваний является система Digital Fundus Imager II™ компании Ophthalmie Imaging Systems Inc.

Неправильная интерпретация текущего состояния пациента приводит к заметному снижению и эффективности лечения и профилактики расстройств. Радикальное повышение эффективности в оказании помощи пациентам может быть достигнуто за счет использования современных компьютерных технологий обработки, интерпретации и хранения диагностических данных [48, 125, 132, 133].

Основой представленных в диссертации методов и алгоритмов анализа диагностических изображений является оценивание геометрических параметров их характерных деталей и использование этих параметров для распознавания и классификации. Традиционно задача распознавания и классификации изображений решается в два этапа. На первом этапе производится выбор и измерение классификационных признаков изображения. Второй этап заключается в построении системы распознавания (классификации) с использованием классической статистической теории.

Задача второго этапа к настоящему времени глубоко исследована в работах по теории распознавания как российских так и зарубежных ученых (Ю.И. Журавлев, К. Фу, К. Фукунага, Р. Дуда, Р. Гонсалес и др.) [5, 20, 21, 25, 26, 51, 58, 60, 61, 62, 123] и в настоящей работе не исследуется.

Что касается первого этапа (отбор и оценивание признаков), то к настоящему времени широкое распространение получили различного рода согласованные фильтры, корреляторы, спектро-анализаторы (В.В. Сергеев, В.А. Краковский, В.К. Баклицкий, В.Н. Круглов) [6, 15, 43, 44, 54, 89, 90]. Основным недостатком такого подхода является излишнее абстрагирование получаемых признаков (энергетический спектр, корреляционная функция) от физических параметров реальных диагностируемых объектов (периметр, площадь, диаметр и кривизна кровеносных сосудов, и т.п.), что затрудняет интерпретацию полученных результатов для конечного пользователя. Кроме того, размерность пространства признаков при таком подходе очень высока.

Для преодоления первого из указанных недостатков в настоящей работе предлагается использовать геометрические параметры диагностических изображений. Эти параметры должны быть физически обоснованными, иметь ясный смысл для исследователя. Для врача-офтальмолога такими признаками являются неравномерность диаметра, кривизна и извитость кровеносных сосудов глазного дна, диска зрительного нерва. Принятый в диссертации подход к формированию признаков биомедицинских диагностических изображений на основе измерения геометрических параметров лежит в основе исследований, проводимых учёными школы В.А Сойфера (А.Г. Храмов, Н.Ю. Ильясова, А.О. Корепанов, A.B. Куприянов и др.). Представленные в диссертации методы и алгоритмы анализа диагностических изображений являются развитием методов, разработанных данной исследовательской группой [98].

Указанный подход к формированию признаков имеет ряд преимуществ. Во-первых, используется опыт исследователя в конкретной прикладной области для формирования диагностических признаков, что позволяет, в конечном счете, использовать экспертный подход к построению систем диагностики [45, 65]. Во-вторых, имеется возможность использовать наработанные методики диагностики в конкретных прикладных задачах медицины. Так, представленные в диссертации исследования проводились совместно с сотрудниками кафедры офтальмологии Самарского государственного медицинского университета и кафедры глазных болезней Московского медико-стоматологического университета.

Аппарат геометрических признаков глубоко развит в машинной графике и геометрии, которые основаны на описании объектов при помощи графических примитивов [1, 59]. Задачей машинной графики является формирование изображений на основе графических примитивов с известными значениями геометрических параметров. Параметры этих графических примитивов как раз и являются признаками, которые могут использоваться для распознавания и классификации диагностических изображений. Таким образом, задача оценивания геометрических параметров может считаться обратной к задаче машинной графики.

В качестве компромисса между указанными подходами (спектрально-корреляционным и геометрическим) к построению системы признаков часто используется метод поля направлений [27, 127], нечёткое поле направлений [64]. В отличие от энергетического спектра, поле направлений, хотя и является некоторой абстракцией, позволяет сохранить пространственное описание и локальные свойства объекта исследования. Переход от функции яркости изображения к полю направлений снижает информационную избыточность исходного диагностического изображения и позволяет сократить размерность пространства признаков.

Обзор существующих методов

В [49] рассматривается проблема распознавания образов и медицинская диагностика, проблема использования вычислительной техники для диагностики заболеваний, прогнозирования течения болезни, прогнозирования результатов oneративных вмешательств и оптимизации выбора метода лечения. Приведены алгоритмы диагностики по общей близости признаков, по линейному минимаксному правилу, а также алгоритм отбора и формирования существенных признаков. З.С. Баталовой представлено описание процесса решения задач диагностики и прогнозирования по совокупности оценок признаков патологии.

В отличие от подхода, развиваемого в диссертации, в описанных выше работах проблема формирования оценок признаков диагностики решается с точки зрения статистики, единовременных измерений или анализа одномерных сигналов (электрокардиограмм и др.). Подход, основанный на анализе изображений патологических картин и формировании на их основе диагностических признаков можно встретить в более поздних работах, применительно к задачам офтальмологии и др., где изображение как носитель информации играет существенную роль в диагностике [17, 79, 101, 106, 108, 110, 114, 115, 118, 122, 123].

В работах [12, 82, 86, 99, 102, 111, 116, 120, 121] представлены результаты исследований в области офтальмологии по обработке изображений глазного дна. Представлен новый метод анализа флюоресцентных ангиограмм пациента с сосудистой патологией с применением вычислительной техники. Фотографирование глазного дна стало рутинным методом исследования во многих клиниках и практиках. Рынок офтальмологического оборудования представляет большое число коммерчески доступных систем получения цифровых изображений сетчатки (Carl Zeiss, Rodenstok, Торсоп и др.). Технические требования к устройствам ввода, компьютеру, вопросы хранения изображений на диске и сжатия, общеупотребительные методы предобработки (улучшения качества) офтальмологических изображений в клинической практике подробно представлены в [74, 75, 85]. Michael Goldbaum описывает, что происходит после оцифровки изображения, как происходит его хранение и поиск, как изображение может быть улучшено и каким образом выделить более содержательные его элементы. Решены некоторые вопросы фильтрации и анализа.

Наибольший интерес с точки зрения медицинской диагностики представляют следующие геометрические параметры диагностической структуры:

• геометрические характеристики линии центров сосудов - трассы сосудов: длина, извилистость, кривизна и т.п.;

• распределение толщины сосудов вдоль трассы;

• углы ветвления сосудов.

Геометрические параметры толщины и направления являются диагностическими параметрами трассы, поскольку на их основе производится формирование диагностических признаков сосудов. Данные параметры являются локальными характеристиками, рассчитываемыми непосредственно по изображению древовидной структуры в процессе анализа изображений сосудов.

В работах [10, 11, 12, 34*, 35, 73, 74] для оценивания геометрических параметров древовидных изображений на изображениях глазного дна был предложен метод трассировки дерева сосудов при помощи круглой рамки, суть которого заключается в последовательном анализе центральных точек выбранной ветви сосуда. На каждом шаге трассировки для оценивания направления анализируется распределение интенсивности на границе круглой рамки. Особенностями этого метода являются необходимость явно указывать начальную и конечную точки ветви. Точность данного метода можно повысить, рассматривая рамки меняющегося радиуса. Кроме того, возможно производить усреднение отсчетов изображения в локальной области. Авторами также был предложен новый метод: метод локального веерного преобразования [72]. Он обобщает анализ изображений круглой рамкой, так как позволяет использовать информацию внутри области круглой рамки и не требует указывать направление ветви. Предложенный метод позволяет определять направления ветвей в произвольных точках на изображениях сетчатых структур. В основу метода положено преобразование Радона, которое часто используется в качестве стандартного инструмента анализа изображений, позволяющего распознавать глобальные прямые линии на изображениях [7, 22, 23, 63, 67, 81]. Преобразование Радона и лучевое преобразование являются частным случаем преобразования Хоу, которое позволяет выделять на изображениях различные кривые, которые можно параметризовать (прямые, окружности фиксированного радиуса, и другие). Локальное веерное преобразование является специальным вариантом преобразования Радона, позволяющим хорошо работать в местах разветвлений и при наличии помех.

Различные математические модели, используемые для оценивания геометрических характеристик кровеносных сосудов (как центральных линий, так и профиля) предложены, например, в работах [8, 16, 71, 91, 128, 129, 130, 131]. В работах [17, 18, 19, 22, 23] представлены методы формирования признаковых пространств, позволяющих производить непосредственно классификацию кровеносных сосудов на нормальные и патологичные. Указанные методы основаны на расчете оценки извилистости центральных линий сосудов, как правило, с использованием различных дифференциальных характеристик и используют в качестве исходных данных уже вычисленные центральные линии кровеносных сосудов.

В диссертации предлагается оригинальный метод, являющийся развитием методов выявления патологических изменений структуры сосудистой системы глазного дна, основанных на анализе центральных линий кровеносных сосудов и использовании их дифференциальных характеристик для формирования признакового пространства с последующей классификацией. Предлагаемый метод основан на оценивании кривизны центральных линий сосудов изображений, предварительно обработанных с использованием сглаживающих фильтров с различной полосой пропускания (с различной степенью сглаживания), что при вычислении дифференциальных характеристик приводит к использованию вейвлет-преобразования [4*]. Отличительной особенностью предложенного метода является то, что он использует в качестве результирующего набора признаков оценку кривизны центральных линий кровеносных сосудов, полученную при различных значениях параметра масштаба вейвлет-преобразования.

Нарушение кровообращения в сосудах, питающих диск зрительного нерва (ДЗН), является также одним из симптомов, предшествующих ряду заболеваний глаза [77, 117, 119]. Сейчас уже не вызывает сомнения тот факт, что наибольшую специфичность в диагностике патологий глазного дна имеет состояние ДЗН [119]. Многочисленными литературными данными подтверждается факт повреждения ДЗН под воздействием повышенного внутриглазного давления. Система ауторе-гуляции кровообращения в сосудах, питающих ДЗН, является важнейшим механизмом, поддерживающим кровоток в головке зрительного нерва в нормальном состоянии. Нарушение этой функции является одним из факторов риска прогрес-сирования глаукоматозной атрофии зрительного нерва [77, 117]. Фактом, подтверждающим роль сосудистых нарушений в развитии оптической нейтропатии при глаукоме, может служить уменьшение васкуляризации ДЗН у больных глаукомой, а также атрофические изменения перипапиллярных сосудов. В связи с этим очень важна задача оценивания диагностических параметров ДЗН. В результате анализа сосудов глазного дна было выявлено, что патологии могут сопровождаться изменением толщины сосудов на уровне края диска зрительного нерва [46].

Согласно методике, используемой в клинической практике, основными характеристиками сосудистой патологии ДЗН является отношение суммарного диаметра тонких сосудов на уровне края ДЗН к его диаметру [38*, 93*, 96*]. Новизна параметрической модели сосудов диска зрительного нерва, представленной в диссертации, заключается в том, что рассматриваются геометрические параметры сосудов (диаметр и направление) в области их пересечения с внешним контуром диска зрительного нерва, задаваемым эллипсом [2*, 37*, 68*, 69*, 95*].

Разработанные методы и алгоритмы являются достаточно универсальными, что позволяет использовать их для анализа различных классов изображений, таких как изображения глазного дна и ангиографические изображения системы коронарных сосудов.

Цель и задачи исследований

Целью настоящей работы является разработка математических моделей двух классов медицинских диагностических изображений, содержащих характерные детали, численных методов и алгоритмов формирования набора признаков на основе оценивания геометрических параметров формы характерных деталей диагностических изображений и созданию на этой основе программного обеспечения автоматизированных систем диагностики для биомедицинских приложений. Для достижения указанной цели в диссертационной работе разрабатываются и исследуются:

1. Математические модели диагностических изображений, полученных при исследовании глаза оптическими методами.

2. Численные методы и алгоритмы оценивания геометрических параметров формы характерных деталей диагностических изображений: выделение трассы и оценивание геометрических параметров сосуда, локализация и аппроксимация области диска зрительного нерва.

3. Информационная технология формирования набора признаков диагностических изображений сосудистой системы глазного дна и диска зрительного нерва.

4. Программное обеспечение для компьютерных систем диагностики заболеваний глаза.

Методы исследований

В диссертационной работе используются методы математического анализа, теории цифровой обработки сигналов и изображений, методы параметрической аппроксимации, численные методы оптимизации, методы имитационного моделирования.

Научная новизна работы:

1. В работе рассмотрены и исследованы две математические модели диагностических изображений, содержащие характерные детали двух различных видов: 1) изображение кровеносных сосудов глазного дна, 2) изображение диска зрительного нерва. Новизна параметрической модели изображений сосудов глазного дна состоит в том, что для анализа предлагается использовать 10 параметров (ранее использовались 9), причём один из них (кривизна) введён вновь, а для двух других (прямолинейность и извитость) предлагаются модификации способа их определения и оценки. Новизна параметрической модели изображений сосудов диска зрительного нерва заключается в том, что рассматриваются геометрические параметры сосудов (диаметр и направление) в области их пересечения с внешним контуром изображения диска зрительного нерва, задаваемым эллипсом.

2. Задача выделения центральных линий сегмента сосуда глазного дна решена на основе нечеткого поля направлений. Ранее использовался непосредственный анализ функции яркости в окрестности изображения сосуда.

3. Метод формирования пространства признаков, основанный на оценивании кривизны центральных линий сосудов с использованием вейвлет разложения. Ранее параметр кривизны не использовался.

4. Метод оценивания прямолинейности и извитости трассы сосуда с использованием геометрического разделения кривых в отличие от ранее используемой гармонической аппроксимации.

Практическая ценность работы

Практическая значимость работы заключается в создании численных методов и алгоритмов оценивания геометрических параметров характерных деталей диагностических изображений и разработке информационной технологии анализа диагностических изображений глазного дня и диска длительного нерва. Разработанные алгоритмы оценивания геометрических характеристик являются достаточно универсальными и могут быть использованы для широкого класса практических задач распознавания и классификации цифровых изображений.

Реализация и внедрение результатов работы

Результаты диссертациониой работы внедрены в рамках ряда госбюджетных НИР в Институте систем обработки изображений РАН, в Самарском государственном аэрокосмическом университете имени академика С.П.Королева. Разработанные методы и алгоритмы оценивания геометрических параметров легли в основу компьютерной системы ранней диагностики глазных заболеваний на основе анализа изображений глазного дна DIADEL. Используется на кафедре офтальмологии Самарского государственного медицинского университета и кафедре глазных болезней Московского Государственного Медико-стоматологического Университета для научных исследований. Главными заказчиками разрабатываемой автоматизированной системы являются: Самарская областная клиническая больница им. Т.И.Брошевского, лазерный центр; дорожная клиническая больница ст. Самара, глазное отделение; ГУ МНТК «Микрохирургия глаза» им С.Н.Фёдорова, г. Москва; Московский Государственный Медико-стоматологический Университет, кафедра глазных болезней, ООО «Офтальмодел», г. Москва; ООО «Митэкс», г. Самара. Учреждения Минздрава, с которыми проводятся в данный момент исследования и где внедряется разработка:

1. ГУ МНТК «Микрохирургия глаза» им С.Н. Фёдорова, г. Москва.

2. Московский Медико-стамотологический Университет, кафедра глазных болезней.

Апробация работы

Апробация работы проводилась на следующих региональных, Международных и Всероссийских научных конференциях:

1. 7th International Conference on Pattern Recognition and Image Analysis: new information technologies, PRIA-7-2004.

2. 7th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2004-Conference), Rennes - Saint-Malo, France, 2004.

3. 15th European Signal Processing Conference, EUSIPCO 2007, Poznan, Poland.

4. Конференция Президиума РАН «Фундаментальные науки - медицине», Москва, 2007.

5. «8th International Conference on PATTERN RECOGNITION and IMAGE ANALYSIS: NEW INFORMATION TECHNOLOGIES» (PRIA-8-2007).

6. XVI международная конференция «Лазерно-информационные технологии в медицине, биологии и геологии - 2008», Новороссийск 2008.

7. Международная конференция «Информационные технологии и математиче-' ское моделирование систем», Москва, 2008.

8. Конференция Президиума РАН «Фундаментальные науки - медицине», 2008 г.

9. Всероссийская молодежная научная конференция с международным участием «X Королевские чтения», 2009.

Программные продукты, при создании которых использовались результаты диссертационной работы, были представлены на выставках:

1. Международная ярмарка технологических инноваций «ВКА81ЬТЕС-2004», с 17 по 20 ноября 2004 года (г. Сан-Паулу, Бразилия). Компьютерная система ранней диагностики глазных заболеваний на основе анализа изображений глазного дна.

2. Выставка «Российская академия наук — медицине и здоровью человека» Российской академии наук и комитетов Государственной Думы Российской Федерации, Москва, 27 марта - 1 апреля 2005 год, Компьютерная система ранней диагностики глазных заболеваний на основе анализа изображений глазного дна.

3. Экспертная система ранней диагностики глазных заболеваний была представлена на 4-ой ярмарке бизнес-ангелов и инноваторов "Российским инновациям - Российский капитал", г. Саранск, 25-27 апреля 2006 год, где проект: "Компьютерная система ранней диагностики глазных заболеваний на основе анализа изображений глазного дна" занял 3 место по разделу "1Т-технологии".

4. Российская Национальная Выставка 8-13 ноября 2006 г., г. Пекин, Китайская Народная Республика, Китайский центр международной торговли, ул. Цзянь-гомэньвай Дацзе, д.1

Публикации

По теме диссертации опубликовано 28 работ в международных и центральных научных изданиях и трудах конференций, в том числе 5 в изданиях, рекомендованных ВАК, получены 2 свидетельства о государственной регистрации программ. В работе [3*] автору принадлежит идея и численные методы оценивания морфологических параметров сосудов на изображениях глазного дна на основе матриц видимости кривых. В работах [30*, 40*] автору принадлежит разработка алгоритмов анализа и количественного оценивания биомеханических характеристик сосудов, в работе [41*] - разработка и реализация алгоритмов формирования признакового пространства на основе оценивания кривизны центральных линий сосудов. В работе [55*] диссертант представил метод геометрического разделения кривых для оценивания параметров характерных деталей сосудов глазного дна.

Исследования по теме диссертационной работы были поддержаны грантами Российского фонда фундаментальных исследований (проект № 06-07-08006-оф, 07-08-96611-рповолжьеа), Американского фонда гражданских исследований и развития (проект С1ШР БА-014-02) в рамках российско-американской программы «Фундаментальные исследования и высшее образование» (В1ШЕ), а также в рамках программы фундаментальных исследований Президиума РАН «Фундаментальные науки - медицине» 2004-2010 гг.

Структура и объем работы

Диссертация состоит из введения, четырех глав, заключения, списка использованных источников из 136 наименований и приложения к диссертации, изложенных на 133 страницах. Диссертация содержит 62 рисунка и 10 таблиц.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Ананьин, Михаил Александрович

Выводы и результаты

В главе описаны разработанные программные комплексы, проведённые экспериментальные исследования и их результаты.

1. Исследования показали, что разработанные пространства признаков позволяют эффективно классифицировать сегменты сосудов по классам «норма» и «патология».

2. Рассмотренные методы построения пространства признаков сегментов сосудов инвариантны к сдвигу начальной и конечной опорных точек, устойчивы к изменению масштаба и углу поворота кривой и могут быть эффективно использованы как при эквидистальной дискретизации кривой, так и при дискретизации кривой на прямоугольной сетки.

3. Рассмотренный метод оценивания толщины сосудов вдоль края диска зрительного нерва является устойчивым к шумам при отношении сигнал/шум большем 4.

4. Оптимальными параметрами алгоритма обнаружения сосудов вдоль края диска зрительного нерва являются значения маски сглаживания МБ = 11, маски аппроксимации МА = 9 и порога кривизны а =0,122.

Заключение

В диссертационной работе разработаны математические модели диагностических изображений глазного дна, содержащих характерные детали: изображение кровеносных сосудов и изображение диска зрительного нерва, а также методы, алгоритмы и информационные технологии формирования набора признаков диагностических изображений, и на их основе создано программное обеспечение автоматизированных систем диагностики. Получены следующие основные результаты:

1. Разработаны математические модели изображений кровеносных сосудов глазного дна и изображений диска зрительного нерва, полученных оптическим способом, описывающие объекты более полно, чем введенные ранее модели, и создающие предпосылки для более достоверной диагностики.

2. Задача выделения трассы центральных линий сегмента сосуда глазного дна решена на основе анализа нечеткого поля направлений. При наличии оценки нечеткого поля направлений задача выделения трассы центральных линий по заданным опорным точкам сводится к задаче нахождения минимального расстояния между двумя вершинами графа, которая была эффективно решена с использованием алгоритма Дейкстры.

3. Определение степени извитости сосуда осуществлено на основе оценивания многомасштабных значений кривизны сглаженного дискретного представления сосуда. Сглаживание, нахождение оценок первой и второй производных дискретного представления центральной линии сегмента сосуда было сведено к нахождению вейвлет образов дискретной кривой. Сформированный, как интегральная характеристика многомасштабных значений кривизны, вектор признаков отражает не только глобальное искривление кровеносного сосуда, но также отражает локальные всплески значений кривизны.

4. Задача оценивания признаков «прямолинейность» и «извитость» решена с использованием разбиения центральной линии сосуда на лепестки и оцениванием их геометрических характеристик. При этом полученное пространство признаков сегментов сосудов инвариантно к сдвигу начальной и конечной опорных точек, устойчиво к изменению масштаба и углу поворота кривой и может быть эффективно использовано как при эквидистантной дискретизации кривой, так и при дискретизации кривой на прямоугольной сетки.

5. Исследования показали, что разработанное пространство признаков позволяет эффективно классифицировать сегменты сосудов по классам «норма» и «патология», при этом достоверность классификации на контрольной выборке составила не ниже 95%.

6. Разработан способ оценивания диагностических параметров сосудистой системы диска зрительного нерва, основанный на анализе геометрических характеристик его капилляров. Построена информационная технология локализации и аппроксимации области диска зрительного нерва.

7. Создано программное обеспечение компьютерной системы диагностики глазных заболеваний по изображениям кровеносных сосудов глазного дна и диска зрительного нерва.

Список литературы диссертационного исследования кандидат технических наук Ананьин, Михаил Александрович, 2010 год

1. Александров, О.П. Геометрическое моделирование: Учебное пособие / Ку-АИ.-Куйбышев, 1988 г.

2. Ананьин, М.А. Метод оценивания морфологических параметров сосудов на изображениях глазного дна на основе матриц видимости кривых / М.А.Ананьин, Н.Ю. Ильясова // Вестник СГАУ. 2008. - С. 258-261.

3. Анисимов, Б.В. Распознавание и цифровая обработка изображений / Аниси-мов Б. В., Курганов В. Д., Злобин В. К. // М.: Высшая школа, 1983.

4. Баклицкий, В. К. Корреляционно-экстремальные методы навигации / В. К.Баклицкий, А. Н. Юрьев // М.: Радио и связь, 1982. С.256

5. Бейтс, Р. Восстановление и реконструкция изображений / Р.Бейтс, М. Мак-Доннел // М.: Мир. — 1989. — 336 с.

6. Богнер, Р. Введение в цифровую фильтрацию. / Р. Богнер, А. Константини-дис // Пер. с англ. М.: <Мир>. - 1976. - 216 с.

7. Бранчевский, С. Л. Компьютерный мониторинг состояния глазного дна у больных сахарным диабетом // Автореферат диссертации на соискание учёной степени кандидата медицинских наук. Самара: Куйбышевский медицинский институт имени Д.И.Ульянова. - 1991.

8. Бранчевский, C.JI. Новый метод анализа флюоресцентных ангиограмм с применением компьютерной техники / C.JI. Бранчевский, К.В. Овчинников, АЛО. Миллер // Офтальмологический журнал. 1990. - N8.

9. Гаврилова, H.A. Актуальные проблемы офтальмологии / Н.А.Гаврилова, С.Л.Бранчевский, Н.Ю.Ильясова, А.Г.Храмов // Тезисы на юбилейный симпозиум Аветисов. 2002.

10. Гаврилова, H.A. Способ диагностики ранних стадий диабетической ретинопатии / Гаврилова H.A., Бранчевский С.Л., Н.Ю.Ильясова, Иойлева Е.Э., Ла-невская Н.И., Храмов А.Г., Устинов A.B. // Патент на изобретение № 2235496 от 10.09.04

11. Глумов Н. И. Быстрый алгоритм вычисления моментных характеристик изображения в скользящем окне // Статистические методы обработки изображений. Новосибирск. - 1993.

12. Гольденберг, Л. Цифровая обработка сигналов / Л. Гольденберг, Б. Матюш-кин, М. Поляк // М.: Радио и связь. 1985. - 312 с.

13. Гончаровский, В. Реконструктивная обработка и анализ изображений в задачах вычислительной диагностике. / В. Гончаровский, И.В. Кочинов, А.Ii. Матвиенко // М.: МГУ. 1993. - cl40.

14. Горбань, А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев // Новосибирск: Наука. 1996. - 276 с.

15. Горбань, А.Н. Обучение нейронных сетей // М.: ParaGraph. 1990. - 160 с.

16. Горелик, A. JI. Методы распознавания / Горелик A. JL, Скрипкин В. // М.: Высшая школа. 1984. - С.208.

17. Горелик, А. Л. Современное состояние проблемы распознавания / А. Л. Горелик, И. Б.Гуревич, В. А.Скрипкин //М.: Высшая школа.- 1985.-С.160.

18. Грузман, И.С. Математические задачи компьютерной томографии // Соро-совский образовательный журнал. 2001. - Т. 7, № 5. - С. 117 - 121.

19. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, В.П. Косых // Новосибирск: Изд-во НГТУ. -2002.-352 с.

20. Дубровин, Б.А. Современная геометрия: Методы и приложения / Б.А. Дубровин, С.П. Новиков, А.Т .Фоменко // М.: Эдиториал УРСС. Т.1. - 1998. -334 с.

21. Дуда, Р. Распознавание образов и анализ сцен / Р.Дуда, П.Харт // М.:Мир, 1976.

22. Журавлёв, Ю. И. Распознавание, классификация, прогноз. М.:Наука. -1992.

23. Ильясова, НЛО. Методы анализа дактилоскопических изображений на основе поля направлений / Ильясова Н.Ю., Устинов A.B., Храмов А.Г. // Научное приборостроение. Санкт-Петербург. Т.З. - 1993. - С.89-101.

24. Ильясова, Н.Ю. Математические модели и методы оценивания диагностических параметров древовидных структур: учеб. пособие / Н.Ю. Ильясова,

25. A.B. Куприянов, М.А. Ананьин Самара: Изд-во Самар. гос. аэрокосм, ун-та, ISBN 978-5-7883-0621-6. - 2007. - 104 с.

26. Ильясова, Н.Ю. Математические методы классификации изображений для экспертной оценки патологии сосудистой системы глаза / Н.Ю. Ильясова,

27. B.А. Сойфер, А.Г. Храмов, A.B. Куприянов, М.А. Ананьин, A.M. Малафеев // Труды конференции Президиума РАН "Фундаментальные науки медицине" (3-4 декабря 2007, Москва). - С. 90-91.

28. Ильясова, Н.Ю. Измерение биомеханических характеристик сосудов для ранней диагностики сосудистой патологии глазного дна / Н.Ю. Ильясова,

29. A.B. Куприянов, M.A. Ананьин, H.A. Гаврилова // Сборник научных трудов. Компьютерная оптика. Выпуск №27. - 2005. - С. 165-170.

30. Ильясова, Н.Ю. Методы и алгоритмы оценивания геометрических параметров диагностических изображений // Дис. на соиск. учен. ст. канд. техн. наук. -Самара, 1997.- 155 с.

31. Ильясова, Н.Ю Оценивание геометрических параметров биомедицинских диагностических изображений: учебное пособие / Н.Ю. Ильясова, A.B. Куприянов, А.О. Корепанов // Изд-во Самар. гос. аэрокосм, ун-та. 2007. - 142 с.

32. Ильясова, Н.Ю. Методы обработки и анализа изображений диагностических кристаллограмм: учебное пособие / Н.Ю. Ильясова, A.B. Куприянов, М.А.Ананьин // Изд-во Самар. гос. аэрокосм, ун-та. 2007. - 156 с.

33. Ильясова, Н.Ю. Экспертная компьютерная система диагностики глазных заболеваний по изображениям глазного дна / Н.Ю. Ильясова, В.Г. Баранов, A.B. Устинов // Компьютерная оптика. 1999. - № 19. - С. 202-209.

34. Ильясова, Н.Ю. Система цифрового анализа для диагностики сосудистой патологии глазного дна / Н.Ю. Ильясова, С.Л. Бранчевский, H.A. Гаврилова, А.Г. Храмов // Вестник офтальмологии. 2003. - №5. - С. 37-40.

35. Ильясова, Н.Ю. Разработка информационной технологии оценивания геометрических параметров изображений глазного дна / Ильясова Н.Ю., Куприянов A.B.// Вестник СГАУ. 2008. - С.221-235.

36. Куприянов, А.В. Методы и алгоритмы оценивания геометрических параметров диагностических изображений // Дис. на соиск. учен. ст. канд. техн. наук. -Самара, 2004.- 129 с.

37. Куприянов, А.В. Оценивание диагностических параметров сосудов на изображениях глазного дна в области диска зрительного нерва / А.В.Куприянов, Н.Ю.Ильясова, М.А. Ананьин // Компьютерная оптика №29. 2006. - Р. 141146.

38. Кормен, Томас X. Алгоритмы: построение и анализ / Томас X. Кормен, Чарльз И. Лейзерсон, Рональд JI. Ривест, Клиффорд Штайн // Introduction to Algorithms. — 2-е изд. — М.:«Вильямс», 2006. — С. 1296.

39. Краковский, В. Я. Особенности скользящего анализа спектра / В. Я.Краковский, В.Н. Чайковский //Автометрия. — 1984. —N6. — с.34-37.

40. Круглов, В.Н. Распознавание образов при помощи модульных инвариантов моментов / В.Н. Круглов, В.Г. Лабунец // Уральский политехнический институт. Свердловск, 1985. 10 с. Деп. в ВИНИТИ, N 5105-85.

41. Левин, Р. Практическое введение в технологию искусственного интеллекта и экспертных систем / Левин Р., Дранг Д., Эделсон Б. // М.: Финансы и статистика, 1990.

42. Методы компьютерной обработки изображений (издание второе, исправленное) / под ред. В.А. Сойфера М.: Физматлит, 2003. - 780 с.

43. Нероев, B.B. Компьтерный метод в лечении и прогнозировании оптического неврита при рассеянном склерозе / В.В. Нероев, И.З. Карлова, М.В. Будзин-ская и др. // www.eyenews.ru.

44. Неймарк Распознавание образов и медицинская диагностика / Неймарк. М.: Наука, 1978.

45. Никитаев, В.Г., Компьютерный офтальмологический комплекс "АТЛАНТ -RETINA" / В.Г. Никитаев, А.Н. Проничев, А.К. Погорелов // Автоматизированная система обработки изображений "АТЛАНТ БИОПСИЯ" и др. // www.eyenews.ru.

46. Патрик Э. Основы теории распознавания образов //М.: Советское радио, 1980.

47. Петровский, А.Н. Оценка микроциркуляторных нарушений методом видеомикроскопии / А.Н. Петровский, С.П. Вчерашнюк, М.А. Каде // www.medlinks.ru.

48. Роджерс Д. Алгоритмические основы машинной графики // Пер. с англ. — М.: Мир, 1989.-512 с.

49. Сергеев, В.В. Некоторые модификации цифрового коррелятора для обнаружения объектов на изображении / В.В.Сергеев, М.А.Чичева //Компьютерная оптика.-М, 1989.-Вып. 5.-С.78-84.

50. Ту, Дж. Принцип распознавания образов / Дж.Ту, Р.Гонсалес // М.: Наука, 1986.

51. Фоли, Дж. Основы интерактивной машинной графики / Фоли Дж., вэн Дэм А. // М.: Мир, 1985.

52. Фор А. Восприятие и распознавание образов// М.: Машиностроение, 1989 г.

53. Фукунага К. Введение в статистическую теорию распознавания образов. -М.: Наука, 1979.-С.368.

54. Фу К. Последовательные методы в распознавании образов и обучении машин. М.: Наука, 1971.-С.256.

55. Хармен, Г. Восстановление изображений по проекциям: Основы реконструктивной томографии // Пер. с англ. М.: Мир. — 1983. - 352с.

56. Храмов, А.Г. Метод поля направлений в анализе и интерпретации диагностических изображений // Дис. на соиск. учен. ст. доктора техн. наук. Самара, 2006.-230 с.

57. Уотермен, Д. Руководство по экспертным системам // М.: Мир, 1989.

58. Янке, Е. Специальные функции. Формулы, графики, таблицы / Янке Е., Эмде Ф., ЛёшФ. // М.: Наука. 1977.-344 с.

59. Allan, V. Oppenheim Applications of Digital Signal Processing: Massachusetts Institute of Technology Cambridge // Mass. 1978. - P.550

60. Anan'in, M.A. Method for estimation of directions of the optical disk's vessels in the fundus images /М.А. Anan'in and N.Yu. Il'yasova // Pattern Recognition and Image Analysis. Vol. 15, No. 2. - 2005. - P. 500-502.

61. Anan'in, M.A. Estimating Directions of Optic Disk Blood Vessels in Retinal Images / M. A. Anan'in, N. Yu. Il'yasova, and A. V. Kupriyanov // Pattern Recognition and Image Analysis, MAIK "Nauka/Interperiodica". Vol. 17, No. 4. - 2007. -P. 523-526.

62. Anil, Bharath Measurement of Vessel Diameters on Retinal Images for Cardiovascular Studies / Anil Bharath, Alice Stanton, Alun Hughes, Neil Chapman, and Simon Thom.

63. Baranov, V.G. Discrete fan-shaped Radon transform for net-like structures' centerlines detection / Baranov V.G., Khramov A.G. // Journal Computer Optics. -2002.-Vol. 23.-P. 44-47.

64. Branchevsky, S.L. Methods for estimating geometric parameters of retinal vessels using diagnostic images of fundus / Branchevsky S.L., A.B. Durasov, N.Yu. Ilia-sova etc.//Proceeding SPIE.- 1998.-Vol. 3348.-P. 316-325.

65. Chandrinos, K.V. Image processing techniques for the quantification of atherosclerotic changes / K. V. Chandrinos, M. Pilu, R. B. Fisher, and P. E. Trahanias // Mediterranian Conf. Medical and Bio. Eng. and Computing. 1998.

66. Cronemeyer, J. A fast skeleton finder for parallel hardware / Cronemeyer J., Heising G., and Orglmeister R. // in IEEE Computers in Cardiology. — 1992. — P. 2326.

67. Chanwimaluang, T. An Efficient Algorithm for Extraction of Anatomical Structures in Retinal Images / T. Chanwimaluang, G. Fan // Proc. IEEE International Conference on Image Processing, Barcelona, Spain, September 2003. 2003. - P. 84-92.

68. Dijkstra, E.W. A note on two problems in connexion with graphs. In: Numerische Mathematik. 1. 1959. - P. 269-271.

69. Fhang, H.R. Quantitative study of diabetic retinopathy by computerized image analysis / H.R. Fhang, L. Tian // Cheeng-hua-Ven-Ko-Isa-Chih, 1993, jul, 29(4) . -1990.-P.218-220.

70. Gao, X. W. Quantification and characterisation of arteries in retinal images / X. W. Gao, A. Bharath, A. Stanton, A. Hughes, N. Chapman, and S. Thom // Comp. Meth. Prog.Biomed. 63(2). - 2000. - P. 133-146.

71. Gonzales, R. C. Digital Image Processing / R.C.Gonzales, R. E.Woods // Massachusetts: Addison-Wesley. 1992.

72. Greenspan, H. Evaluation of Center-Line Extraction Algorithms in Quantitative Coronary Angiography / H. Greenspan, M. Laifenfeld, S. Einav, and O. Barnea // Senior Member, IEEE

73. Grisan, Enrico. A novel method for the automatic evaluation of retinal vessel tortuosity / Enrico Grisan, Marco Foracchia, and Alfredo Ruggeri // Department of Information Engineering, University of Padova, Italy.

74. Fhang, H.R. Quantitative study of diabetic retinopathy by computerized image analysis / H.R. Fhang, L. Tian// Cheeng-hua-Ven-Ko-Isa-Chih, 1993, jul, 29(4). -1990. P.218-220.

75. Hoover, A.V. Locating blood vessels in retinal images by piece-wise threshold probing of a matched filter response / A. Hoover, V. Kouznetsova, and M. Goldbaum // IEEE Transactions on Medical Imaging. Vol. 19, No. 3. - 2000. - P. 203-210.

76. Hart, William E. Measurement and classification of retinal vascular tortuosity // Applied k Numerical Mathematics Dept, Sandia National Laboratories, [e-mail].

77. Hart, W.E. Automated measurement of retinal vascular tortuosity' // in Proc AMIA Fall Conference. 1997.

78. Huiqi, Li A PIECEWISE GAUSSIAN MODEL FOR PROFILING AND DIFFERENTIATING RETINAL VESSELS / Huiqi Li, Wynne Hsu, Mong Li Lee, Hon-gyu Wang

79. Ilyasova, N.Yu. An Expert Computer System for Diagnosing Eye Diseases from Retina Images. / Ilyasova, N.Yu., Ustinov A.V., Baranov V.G. // Optical Memory and Neural Networks. Vol. 9. № 2. - 2000. - P. 133-145.

80. Jomier, J. Quantification of Retinopathy of Prematurity via Vessel Segmentation / J. Jomier, D.K. Wallace, S.R. Aylward // Proceedings of MICCAI 2003, LNCS 2879.-2003.-P. 620-626.

81. JORGE J. G. LEANDRO Blood Vessels Segmentation in Retina: Preliminary Assessment of the Mathematical Morphology and of the Wavelet Transform Techniques / JORGE J. G. LEANDRO, ROBERTO M CESAR JR, HERBERT F. JELINEK

82. Kawagoe, Fingerprint pattern classification / Kawagoe and A. Tojo // Pattern recognition 12(3) 1984.

83. Kirbas, C. A review of vessel extraction techniques and algorithms / C. Kirbas, F. Quek // ACM Comput. Surv. 32(2). - 2004. - P. 81-121.

84. Kylstra, J.A. Measurement of retinal vessel tortuosity as a means of diagnosis plus disease / Kylstra, J.A, Freedman, S.F., Capowsky, J.J., Hall, J.G. // in ROP Invest Ophthalmol Vis Sci 1995:36:77

85. Korepanov, A.O. Extraction of Central Lines in Diagnostic Images of Vessels Using Methods of Wavelet Analysis and Differential Geometry // Pattern Recognition and Image Analysis. Vol. 15, No. 4. - 2005. - P. 636-639.

86. Kravchinsky, Application of neural networks for analyzing and encoding of fingerprints / Kravchinsky, S.O. Kuznetsov, I.V. Nuidel, A.G. Khobotov, A.U. Sha-rov and V. G Yakhno // Neurocomputing 4 (1992). P.65-74.

87. Lalonde, M. Automatic visual quality assessment in optical fundus images / M. Lalonde, L. Gagnon, and M.-C. Boucher // Proceedings of Vision Interface (VI 2001), Ottawa, Canada, June 7-9. 2001. - P. 259-264.

88. Lowell, a James Quantitative measurement of retinal vessel widths from fundus images based on 2D modeling / James Lowell a, Andrew Hunter a, David Steel.

89. Luo, G. Detection and measurement of retinal vessels in fundus images using Amplitude modified second-order Gaussian filter / G. Luo, O. Chutatape, and S.M. Krishnan // IEEE Transactions on Biomedical Engineering. Vol. 49, No. 2. -2002.-P. 168-172.

90. Marr, D. Vision: A Computational Investigation into the human Representation and Processing of Visual Information / D. Marr // (San Francisco, 1982).

91. Mehre, Segmentation of fingerprint images using the direction image / Mehre, N.N. Murthy, S. Kapoor and B. Chatteijee // Pattern recognition, 20(4). 1987.

92. Miles, F.P. Matched filter estimation of serial blood vessel diameters from video images / F. P. Miles and A. L. Nuttall // IEEE Transactions on Medical Imaging. -Vol. 12, No. 2. 1993. - P. 147-152.

93. Mendels, F. Identification of the Optic Disk Boundary in Retinal Images Using Active Contours / F. Mendels, C. Heneghan, J.P Thiran // Proceedings of the Irish Machine Vision and Image Processing Conference (1999).- P. 103-115

94. Okune, Kh. Application of self-teathing algorithm for fingerprint identification / Kh. Okune, et al. // 47 (1979). 137-146.

95. Osareh, A. Classification and Localisation of Diabetic-Related Eye Disease / Osa-reh, A., Mirmehdi M., Thomas B. and others. // ECCV 2002, LNCS 2353. 2002. -P. 502-516.

96. Rassam, S.M.B. Accurate vessel width measurment from fundus photographs: a new concept / S.M.B. Rassam, V. Patel, E.M. Kohner, et al. // British Journal of Ophthalmolgy, 1994:78. .-24-29.

97. Richard, S.B. Retinal vessel measurement: comparison between observer and computer driven methods / S.B. Newsom Richard, Paul M. Sullivan, Sal M.B. Rassam, Roger Jagoe, and Eva M. Kohner // Graefe's Arch.Clin.Exp.Ophthalmol. 1992, 230.- P.221-225.

98. Rueckert, D. Automatic tracking of the aorta in cardiovascular mr images using deformable models / D. Rueckert, P. Burger, S.M. Forbat, R.D. Mohiaddin, and G.Z. Yang // IEEE Trans, on Med. Img. vol. 16. - 1997. - P. 581-590.

99. Swann, Peter G. Unusual retinal vessels and vessel formations // Optometry Today. 1999. - P.24-26.

100. Soifer, V.A. Fuzzy Direction Field Method for Fringe and Tree-like Patterns Analysis / V.A. Soifer, A.G. Khramov, A.O. Korepanov // Proceedings of the 17th International Conference on Pattern Recognition (ICPR). Vol. 2. - 2004.- P.779-782.

101. Soares, J.V.B. Vessel segmentation using the 2-D Gabor wavelet and supervised classification / J. V. B. Soares, J. J. G. Leandro, R. M. Cesar-Jr, H. F. Jelinek, and M. J. Cree // IEEE Transactions in Medical Imaging 25(9). 2006. - P. 12141222.

102. Tolias, Y.A. A fuzzy vessel tracking algorithm for retinal images based on fuzzy clustering / Y. A. Tolias, S. M. Panas // IEEE Transactions on Medical Imaging. -Vol. 17, No. 2. 1998. - P. 263-273.

103. Thitiporn, Chanwimaluang AN EFFICIENT BLOOD VESSEL DETECTION ALGORITHM FOR RETINAL IMAGES USING LOCAL ENTROPY THRESHOLDING / Thitiporn Chanwimaluang and Guoliang Fan.

104. Vermeera, K.A. A model based method for retinal blood vessel detection / K.A. Vermeera, F.M. Vosa, H.G. Lemijb, A.M. Vossepoela // Computers in Biology and Medicine.-2003.-P. 102-117.

105. Yang, Ching-Wen. Computer-aided diagnostic detection system of venous beading in retinal images / Ching-Wen Yang, Dye-Jyun Ma, Shuenn-Ching Chao and others. // Optical Engineering, Vol.39. 2000. - №5. - P. 1293-1303.

106. Zhou, L. Hihg precision retinal vessel diametr measurment in angiography / L. Zhou, J.M. Chokreff, L.J. Singerman // Invest.Ophthalmol.Vis.Sci. 1992: 33. -840.134. http://citeseer.ist.psu.edu/kirbasOOreview.html Патенты

107. Компьютерная система ранней диагностики глазных заболеваний на основе анализа изображений глазного дна, 2006 г. Свидетельство об официальной регистрации программы для ЭВМ №2006610764, 26 февраля, Ананьин М.А. , Куприянов А.В., Малафеев A.M.