Математические методы обработки и анализа слаботекстурированных медицинских изображений тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Хвостиков Александр Владимирович

• Хвостиков Александр Владимирович
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Хвостиков Александр Владимирович

1.2.1 Анализ нетекстурных данных

1.2.2 Текстурный анализ

1.2.3 Формирование набора данных и классификация

1.3 Эксперименты и результаты

1.4 Влияние подавления спекл-шума на результаты классификации

1.5 Выводы

2 Нейросетевые методы анализа слаботекстурированных медицинских изображений различных модальностей

2.1 Диагностика болезни Альцгеймера по трёхмерным МРТ и ДТМРТ изображениям головного мозга

2.1.1 Существующие методы классификации, не использующие нейронные сети

2.1.2 Существующие нейросетевые методы классификации

2.1.3 Разработанная архитектура нейронной сети

2.1.4 Эксперименты и результаты

2.1.5 Выводы

2.2 Сегментация слизистых желёз на гистологических изображениях желудочно-

кишечного тракта

2.2.1 Существующие методы сегментации

2.2.2 Разработанный метод сегментации

2.2.3 Эксперименты и результаты

2.2.4 Выводы

3 Гибридные методы анализа гистологических изображений

3.1 Гибридный алгоритм сегментации индивидуальных слизистых желёз на гистологических изображениях

3.1.1 Модели активных контуров

3.1.2 Модель обучаемого активного контура

3.1.3 Применение модели обучаемого активного контура для сегментации желёз на гистологических изображениях

3.1.4 Постобработка результатов сегментации активными контурами

3.1.5 Инициализация активных контуров

3.1.6 Результаты и выводы

4 Программный комплекс реализации алгоритмов анализа медицинских изображений

4.1 Программный модуль анализа ультразвуковых изображений печени

4.2 Программный модуль анализа трёхмерных изображений головного мозга

4.3 Программный модуль анализа гистологических изображений

4.3.1 Набор гистологических данных PATH-DT-MSU

Заключение

Введение

Общая характеристика работы Актуальность работы

Развитие медицинского оборудования в последнее время позволяет внедрять всё более совершенные методики диагностики, основанные на данных хорошего качества и в больших объемах, что делает задачу анализа и обработки медицинских изображений актуальной.

Наличие медицинских изображений одной и той же области, полученных в разных модальностях, позволяет более детально рассмотреть процессы, происходящие в организме, а одновременный анализ этих изображений позволяет получать дополнительную информацию о состоянии организма, недоступную при анализе изображений одной модальности.

Современные методы обработки изображений, а также методы машинного обучения и глубокого обучения позволяют не только обнаруживать некоторые локальные особенности медицинских изображений, но и проводить текстурный анализ, численно описывая почти однородные области изображений, что часто является труднозатратным или невозможным при визуальном анализе изображений для медицинских специалистов.

Основное внимание в данной диссертационной работе уделено анализу слаботекстуриро-ванных медицинских изображений. Подобный тип изображений характеризуется двумя основными отличительными чертами. Первая заключается в наличие на изображении неярко выраженной текстуры (в отличие от, например, изображений искусственных текстур, где текстуры выражены более ярко и явно). Вторая особенность заключается в отсутствии у изображения фиксированного масштаба, на котором проявляются особенности текстуры. А именно, изображение имеет несколько масштабов, на каждом из которых проявляется своя текстура, отличающаяся от текстур, проявляющихся на других масштабах. Класс слаботек-стурированных изображений широко представлен в медицине, что делает вопрос разработки

математических методов, ориентированных на этот тип изображений, актуальным.

Также стоит отдельно отметить стремительный рост мощности графических ускорителей и развитие сопутствующей программной базы, что делает возможным реализацию все более сложных и эффективных моделей глубокого обучения, находящих применение в том числе и в задачах анализа и обработки медицинских изображений.

При этом, возникает актуальная задача создания гибридных методов, объединяющих классические математические методы обработки и анализа изображений и современные ней-росетевые модели.

Введение диссертации (часть автореферата) на тему «Математические методы обработки и анализа слаботекстурированных медицинских изображений»

Цель работы

Основная цель диссертационной работы состоит в разработке математических методов обработки и анализа слаботекстурированных медицинских изображений различных модальностей, их алгоритмическая и программная реализация для решения задач повышения качества, классификации и сегментации медицинских изображений.

Научная новизна

В данной диссертационной работе разработаны:

• метод подавления спекл-шума на ультразвуковых изображениях,

• метод предобработки и нормализации ультразвуковых изображений,

• метод текстурного анализа ультразвуковых изображений,

• комплексный алгоритм определения стадии фиброза печени по ультразвуковым изображениям и данным эластометрии,

• нейросетевая модель определения стадии болезни Альцгеймера по трёхмерным изображениям структурной и диффузионно-тензорной МРТ головного мозга,

• метод семантической сегментации слизистых желёз на гистологических изображениях желудочно-кишечного тракта,

• модель обучаемого активного контура для сегментации изображений,

• гибридный метод сегментации слизистых желёз на гистологических изображениях желудочно-кишечного тракта.

Теоретическая и практическая значимость работы

Разработанные в диссертации методы предобработки, классификации и сегментации медицинских изображений могут применяться как независимо при проведении медицинских исследований, так и могут быть реализованы в виде связных модулей системы медицинской компьютерной диагностики.

Также, разработанные методы могут быть применены в виде составных частей комплексных алгоритмов обработки и анализа изображений.

Апробация работы

Основные результаты работы докладывались на:

1. 5-ой международной конференции по теории обработки изображений, методам и применениям IPTA (Орлеан, Франция, 2015);

2. 27-ой международной конференции по компьютерной графике и зрению "ГрафиКон'2017" (Пермь, 2017);

3. 31-ом международном симпозиуме по компьютерным медицинским системам IEEE CBMS (Карлштадт, Швеция, 2018);

4. 28-ой международной конференции по компьютерной графике и зрению "ГрафиКон'2018" (Томск, 2018);

5. 3-ей русско-немецкой конференции "MultiScale BioMathematics - Coherent Modeling of Human Body System", (Москва, 2018);

6. 21-ой международной конференция "Цифровая обработка сигналов и её применение -DSPA-2019", (Москва, 2019);

7. Международном конгрессе европейского общества эндоскопистов, (Прага, Чехия, 2019);

8. Всероссийской конференции "Ломоносовские чтения - 2019", (Москва, 2019);

9. Международной конференции "Photogrammetric and computer vision techniques for video Surveillance, Biometrics and Biomedicine (PSBB)", (Москва, 2019);

Публикации

По теме исследования опубликовано 14 работ, из них 4 работы в изданиях, индексируемых WoS, 1 работа в издании, индексируемом Scopus, и 3 работы, опубликованные в трудах конференций, индексируемых WoS. Список опубликованных работ приведён в конце диссертационной работы.

Личный вклад

Все результаты работы получены автором лично под научным руководством д.ф.-м.н., проф. А.С. Крылова. В работах, написанных в соавторстве, вклад автора диссертации в полученные результаты математического моделирования, численные методы и разработку комплекса программ является определяющим.

Структура работы

Диссертационная работа состоит из введения, четырёх глав, заключения, списка литературы и списка публикаций автора. Общий объём работы составляет 136 страниц, включая 44 рисунка, 9 таблиц и список литературы из 126 наименований.

Основные положения, выносимые на защиту

1. Регуляризирующий метод подавления шума на ультразвуковых изображениях, основанный на мультипликативной модели спекл-шума и использующий минимизацию функционала полной вариации.

2. Метод компьютерной диагностики фиброза печени по ультразвуковым изображениям и данным эластометрии.

3. Метод компьютерной диагностики болезни Альцгеймера по трёхмерным изображениям структурной и диффузионно-тензорной магнитно-резонансной томографии головного мозга на основе созданной нейросетевой модели.

4. Метод поточечной оценки параметров вариационной модели активного контура, и основанная на нём модель обучаемого активного контура для сегментации гистологических изображениях желудочно-кишечного тракта.

5. Программный комплекс обработки и анализа слаботекстурированных медицинских изображений.

Содержание работы

В первой главе диссертационной работы описываются алгоритмы предобработки и повышения качества медицинских изображений, необходимые для дальнейшего анализа изображений, а также алгоритмы текстурного анализа ультразвуковых медицинских изображений.

В качестве задачи предобработки медицинских изображений рассматривается задача уменьшения спекл-шума на ультразвуковых изображениях печени перед текстурным анализом и детектированием стадии фиброза. Спекл-шум представляет собой особый вид шума на изображениях, являющийся случайной интерференционной картиной, которая образуется при взаимной интерференции когерентных волн, имеющих случайные сдвиги фаз и/или случайный набор интенсивностей. В качестве модели спекл-шума была выбрана наиболее известная мультипликативная модель:

1о = I + ? • п,

где I - исходное изображение, 1о - зашумлённое изображение, п - гауссовский шум с нулевым средним и дисперсией, равной ап.

Рассматривается итерационный алгоритм БИЛО, которая представляет процесс фильтрации изображения в виде анизотропного диффузионного процесса:

В1 (х, у; ¿)/В£ = Сгь [с(д)У!(х, у; ¿)] ,

где I(х,у; ¿) представляет собой изображение в момент времени ¿. При этом коэффициент диффузии определяется как:

" 1 + [д2(х,у; I)- / №Ш + д0(*))]' и зависит от значений мгновенной вариации:

4(х,у;()- '(1/2)(У1/1 )0 -(1/42^ /1 )0

[1 + (1/4)(У01 /I)]

и спекл-масштабирующей функции:

\/ьаг(г (¿))

?о(*) =

г (*)

которая вычисляется по однородной области z(t).

Далее, описывается разработанный регуляризирующий метод подавления спекл-шума (ТУМИ), основанный на минимизации полной вариации:

где 10 - известное зашумлённое спекл-шумом изображение, а I - результирующее изображе-

В этой главе также рассматривается вопрос о правиле останова и выборе параметра регуляризации при фильтрации спекл-шума (в случае SRAD и ТУМИ алгоритмов). Описывается разработанный алгоритм определения оптимальных параметров подавления спекл-шума, основанный на энтропийной оценке разностного кадра.

Также отдельно описана модель логарифмической компрессии при формировании ультразвуковых изображений и рассмотрена возможность нормализации изображений, полученных с разными настройками ультразвукового аппарата.

Затем рассматривается практическая задача определения степени фиброза печени по ультразвуковым изображениям. Приводятся различные способы вычисления текстурных признаков (характеристики масок Лавса, матриц смежности, матриц равномерности и вейвлет коэффициентов) для областей изображения и соображения по выбору этих областей. Для классификации полученных векторов текстурных признаков используются различные алгоритмы машинного обучения. Выбор наиболее репрезентативных признаков осуществляется с помощью корреляционного алгоритма CFS. Рассматривается проблема несбалансированности имеющейся выборки ультразвуковых изображений по стадиям заболевания и предлагаются способы ее решения.

Далее описывается разработанный комплексный алгоритм определения стадии фиброза печени по ультразвуковым изображениям, использующий методы предобработки ультразвуковых изображений, предложенные в этой главе, и дополнительные данные ультразвуковой эластометрии. Приводятся результаты тестирования разработанного алгоритма на наборе ультразвуковых данных, полученных для 60 пациентов с гистологически подтверждённой стадией фиброза печени, собранных сотрудниками лаборатории ультразвуковой диагностики РНЦХ им. акад. Б.В. Петровского. Для определения стадии фиброза используется распространённая медицинская шкала МЕТАУ1И, в соответствии с которой определяются пять стадий заболевания ^0 - отсутствие заболевания, F4 - фиброз). Точность классификации

ние, а А является параметром регуляризации, 8 - константа (8 = 10 4).

предложенным алгоритмом составила 98% для определения стадии F4, точность отделения классов F0 - (F1, F2, F3) составила 90% в случае классификации отдельных областей интереса и 94% в случае, если классификация пациента проводилась с использованием правила голосования. В итоге, была получена точность классификации пациентов на три группы в соответствии со стадиями фиброза, равная 90%.

Отдельно анализируется влияние алгоритмов подавления спекл-шума (SRAD и TVMR) на результаты классификации, получаемые предложенным алгоритмом. Показано, что применение методов подавления спекл-шума на этапе предобработки ультразвуковых изображений позволяет улучшить точность классификации фиброза печени до 5% и сделать процесс классификации более устойчивым и менее зависимым от способа формирования обучающих и тестовых выборок.

Вторая глава посвящена применению современных свёрточных нейронных сетей для анализа слаботекстурированных медицинских изображений различных модальностей на примере задач классификации и сегментации.

Детально рассматривается задача классификации трёхмерных изображений головного мозга, полученных с помощью структурной и диффузионно-тензорной магнитно-резонансной томографии (МРТ, ДТМРТ), для детектирования болезни Альцгеймера (AD), её продромальной формы, легкого когнитивного нарушения (MCI) и полного отсутствия болезни Альцгеймера (NC). Предлагается ряд улучшений стандартной нейросетевой модели, основанной на архитектуре AlexNet. Основным направлением для улучшений является уменьшение количества параметров в нейронной сети с сохранением обобщающей способности, что позволяет улучшить точность классификации и сделать процесс классификации более устойчивым. Предложенные улучшения основаны на идеях архитектуре Inception, но адаптированы для конкретной задачи классификации трёхмерных медицинских изображений двух модальностей. Проводится детальное сравнение применения стандартной и предложенной моделей. Также предлагается метод детектирования стадии болезни Альцгеймера по левым и правым долям гиппокампа на трёхмерных МРТ и ДТМРТ изображениях головного мозга. Предлагаемый метод учитывает несбалансированность наборов данных, относящихся к разным стадиям заболевания, и выполняет искусственное расширение обучающих данных с балансировкой прямо во время обучения нейронной сети.

Приводятся результаты применения предложенного метода для МРТ и ДТМРТ изобра-

жений головного мозга 531 пациента, выбранных из набора данных международной инициативы по борьбе с болезнью Альцгеймера ADNI (http://adni. loni.usc.edu). Разработанная нейронная сеть для диагностики болезни Альцгеймера позволила достичь точности классификации 0.933, 0.867, 0.733 для бинарных задач классификации AD/NC, AD/MCI, MCI/NC соответственно и 0.689 для задачи тернарной классификации AD/MCI/NC.

Разработанная трёхмерная свёрточная нейронная сеть на основе архитектуры Inception лучше использует внутренние ресурсы сети и содержит меньше параметров по сравнению со стандартной AlexNet-подобной сетью той же глубины. В частности, общее количество параметров в разработанной нейронной сети в случае двух областей анализа, использования МРТ и ДТМРТ модальностей и состоящей из 4 слоёв в 6 раз меньше по сравнению с аналогичной AlexNet-подобной нейронной сетью. Такая оптимизация нейросетевой архитектуры приводит к повышению точности классификации на 3-6% для задач бинарной классификации и почти на 7% в случае тернарной классификации.

В качестве второй задачи, решаемой с помощью методов глубокого обучения, в данной работе рассматривается задача сегментации слизистых желёз на гистологических изображениях желудочно-кишечного тракта.

Описываются основные подходы и способы сегментации изображений с помощью свёрточ-ных нейронных сетей. Даются определения семантической и объектной сегментации. Предлагается архитектура свёрточной нейронной сети, основанная на архитектуре U-Net и имеющая ряд особенностей, включающих в себя многомасштабный подход к анализу изображений, использование комбинированной функции потерь, учитывающей информацию о контурах объектов, а также использование нелокального блока на нижнем слое нейронной сети для улучшения качества сегментации, путём совместного анализа пространственно удалённых частей изображения. Разработанная архитектура сети позволяет проводить семанитческую сегментацию изображения, но при этом помогает в разделении "слипшихся"желёз, что существенно повышает качество сегментации.

Оценка качества сегментации проводится с помощью вычисления меры Сёренсена (англ. Dice .score) между полученной и референсной сегментацией. Кроме того, для оценки качества сегментации индивидуальных желёз используется объектная мера Сёренсена (англ. object Dice score).

Обучение и тестирование разработанной архитектуры семантической сегментации прово-

дится в два этапа, с использованием двух наборов гистологических изображений. Для первого этапа используются 74 гистологических изображения из общедоступного набора данных Warwick-QU. Затем обученная нейронная сеть дообучается на изображениях второго набора данных.

В качестве второго набора используется собранный в рамках данной работы совместно с сотрудниками факультета фундаментальной медицины МГУ имени М.В. Ломоносова набор данных PATH-DT-MSU (http://imaging.cs.msu.ru/en/research/histology/path-dt-msu). Данный набор состоит из 20 полнокадровых гистологических изображений, представляющие собой окрашенные гематоксилином и эозином парафиновые срезы биопсии толстой кишки.

В результате, для задачи сегментации слизистых желёз на гистологических изображениях желудочно-кишечного тракта точность классификации по обычной и объектной мере Сёрен-сена составила 0.92 и 0.87 на наборе данных Warwick-QU и 0.78 и 0.77 на наборе данных PATH-DT-MSU соответственно.

В третьей главе диссертационной работы рассматривается гибридный подход обработки и анализа слаботекстурированных медицинских изображений, использующий как современные методы глубокого обучения, так и аппарат классических вариационных методов математической обработки изображений.

Вводится модель обучаемого активного контура, основное отличие которой от классических вариационных моделей активных контуров заключается в том, что параметры функционала энергии определяются в каждой точке изображения и предсказываются свёрточной сегментирующей нейронной сетью по исходному изображению. Эта модель позволяет объединить хорошую обобщающую способность свёрточных нейронных сетей и гибкость модели активных контуров. Модель обучаемого активного контура рассматривается как свёрточная нейронная сеть со структурным предсказанием.

Также предложен алгоритм постобработки результатов сегментации активными контурами и проведена проверка устойчивости сегментации гибридной моделью обучаемого активного контура от начального положения активных контуров.

Предложенные модель обучаемого активного контура и метод постобработки были протестированы на наборе данных PATH-DT-MSU. Для оценки качества сегментации использовалась мера Жаккара (англ. Intersection over Union, IoU). На тестовой выборке набора PATH-DT-MSU была продемонстрирована точность сегментации желёз 81% по мере Жаккара. По-

стобработка результатов сегментации активными контурами делает результаты сегментации желёз на гистологических изображениях более удобными для визуального восприятия и также улучшает качество сегментации. Так, значение меры Жаккара на тестовых изображениях после применения алгоритма постобработки увеличивается в среднем на 1%. В случае проверки устойчивости сегментации гибридной моделью обучаемого активного контура от начального положения активных контуров было показано, что в подавляющем большинстве случаев все активные контуры, независимо от их начального положения внутри железы, сходятся к близким контурам, корректно сегментируя железу.

Четвёртая глава диссертационной работы посвящена аспектам программной реализации алгоритмов и методов, описанных в первых трёх главах. Приведено описание трёх разработанных программных модулей (модуль анализа ультразвуковых изображений печени, модуль анализа трёхмерных изображений головного мозга, модуль анализа гистологических изображений). Программные реализации выполнены с применением языков программирования Java, Scala, Python, с использованием математических библиотек, библиотек для работы с изображениями и библиотек машинного обучения. Также использовался фреймворк глубокого обучения Keras с бэкендом Tensorflow. Представлены графические интерфейсы основных программных модулей, приведены примеры визуализаций результатов и ссылки на исходный код разработанных модулей. В конце главы приводится описание собранного набора гистологических изображений PATH-DT-MSU.

В заключении диссертационной работы кратко перечислены основные полученные результаты.

Глава 1

Методы предобработки и

текстурного анализа

ультразвуковых медицинских

изображений

Главным недостатком ультразвуковых изображений является наличие на них спекл-шума [1]. Он значительно усложняет текстурный анализ изображения и ухудшает результаты классификации. Существуют различные методы подавления спекл-шума на изображениях. Одними из наиболее развитых являются методы, основанные на применении нелинейной анизотропной диффузии [2, 3] и методы, использующие полную вариацию [4].

Подавление спекл-шума является нетривиальной задачей, а эффективность шумоподавления сильно зависит от конкретных применений в различных медицинских задачах. В то же время, вопрос влияния подавления спекл-шума на ультразвуковых изображениях на текстурный анализ ультразвуковых изображений печени мало исследован. Первой работой по этой теме была [5], в которой проводился анализ влияния подавления спекл-шума ультразвуковых изображений на основе анизотропной диффузии на определение стадии фиброза печени. Исследование этого вопроса продолжено в текущей главе данной диссертационной работы.

Фиброз печени является одним из наиболее распространенных диффузных заболеваний

печени, который из-за хронического воспаления вызывает постепенное разрастание или утолщение соединительной ткани печени. Фиброз приводит к серьёзным последствиям: нарушению обменных процессов между клетками крови и печени, шунтированию крови, прогрес-сированию хронического заболевания печени в цирроз печени и снижению спектра и эффективности лечебных мероприятий. Поэтому ранняя диагностика и оценка стадии фиброза являются важными проблемами, которые в последнее время стали предметом большого количества исследований. При этом, самым популярным неинвазивным методом диагностики диффузных заболеваний является ультразвуковое исследование. Основные подходы, используемые в данной области, можно подразделить на три группы:

• методы, основанные на анализе всего ультразвукового изображения целиком [6], включают в себя нахождения большой области изображения и вычислении некоторых специально составленных характеристик этой области после этапа предварительной фильтрации. Эти методы очень простые, но и не предоставляют достаточной точности классификации;

• методы, основанные на текстурном анализе. Небольшие области интереса на изображении описываются характеристиками энергетических масок Лавса [7], матриц смежности [8], матриц равномерности [9] и вейвлет преобразований [8, 10]. Подобные текстурные методы анализа ультразвуковых изображений на данный момент являются самыми распространёнными и дают наибольшую точность диагностирования заболевания;

• методы, основанные на анализе данных эластографии (ARFI) [11], демонстрируют высокую точность определения цирроза. Однако применимость подобных методов в задачах классификации стадии фиброза представляется довольно слабой.

В данной главе диссертационной работы описывается разработанный комплексный текстурный алгоритм для компьютерной диагностики фиброза с использованием ультразвуковых изображений, снятых в В-режиме, и проводится анализ влияния подавления спекл-шума на результаты классификации фиброза [12, 13].

Изначально, использование подавления спекл-шума при компьютерной диагностике фиброза печени по ультразвуковым изображениям было предложено в [5]. В данной работе разработан оптимизированный способ останова алгоритма SRAD фильтрации. Также, были разработаны неитеративный алгоритм подавления спекл шума, основанный на регуляризации

с полной вариацией и правило выбора параметра регуляризации. По сравнению с методом ЛШИТУЯ [4], который не имеет явного параметра регуляризации, разработанный метод может быть более точно адаптирован к уровню спекл-шума на изображении.

1.1 Подавление спекл-шума на ультразвуковых изображениях

Спекл-шум представляет собой случайную интерференционную картину, которая формируется путём взаимной интерференции когерентных волн со случайным сдвигом по фазе и/или случайным набором интенсивностей. Наличие спекл-шума существенно усложняет текстурный анализ изображений, так как большинство текстурных признаков чувствительны к шуму.

В данной работе для описания спекл-шума медицинских ультразвуковых изображений используется модель, предложенная в [1]:

1о = I + ?1 • п, (1.1)

где I - интенсивность исходного изображения, 1о - интенсивность зашумлённого изображения, п - гауссовский шум с нулевым средним и дисперсией, равной ап.

Стоит отметить, что изображение, получаемое с ультразвукового прибора всегда проходит некоторые процедуры обработки. Например, одна из подобных процедур заключается в уменьшении динамического диапазона изображения, чтобы сделать его более удобным для медицинских специалистов. В соответствии с [14], модель подобной компрессии может быть описана следующим образом:

1 = а • 1од(1о + 1)+ в, (1.2)

где 1о исходное изображение с широким динамическим диапазоном, I наблюдаемое компрессированное изображение, а и в - параметры, отвечающие за контрастность и яркость.

В данной работе используется модель сжатия, предполагающая, что все используемые ультразвуковые изображения получены с одинаковыми настройками оборудования:

1 = 1од(1о + 1). (1.3)

Тогда декомпрессия может быть выполнена следующим образом:

1о = вхр(1) - 1. (1.4)

Таким образом, принимая выше сказанное во внимание, подавление спекл-шума на изображении состоит из трёх этапов: сначала применяется логарифмическая декомпрессия изображения (1.4), затем производится фильтрация спекл-шума в соответствие с моделью (1.1), и, наконец, производится логарифмическая компрессия изображения (1.3). Предобработан-ное таким образом изображение используется для дальнейшего анализа.

В данной работе рассматриваются два различных метода подавления спекл-шума на ультразвуковых изображениях: подавление спекл-шума на основа анизотропной диффузии (метод SRAD) и разработанный метод на основе минимизации полной вариации с регуляризацией (далее именуемый ТУМ^). Также стоит отметить, что сами по себе данные методы не являются самодостаточными: метод SRAD нуждается в выборе критерия останова итеративного процесса фильтрации, а метод ТУМ^ требует выбора регуляризирующего параметра.

1.1.1 Подавление спекл-шума с помощью метода 8ИЛВ, основанного на анизотропной диффузии

Одними из самых эффективных и распространённых алгоритмов подавления спекл-шума на данный момент являются алгоритмы на основе анизотропной диффузии (AD).

Впервые использовать нелинейное уравнение диффузии для фильтрации изображений предложили Перона и Малик [15]. Изображение разделялось на однородные и неоднородные области, процесс диффузии использовался для подавления шума на однородных областях:

г

д1 /дЬ = ¿IV [с(У/) • VI] ,

(1.5)

I (Ь = 0) = 1о,

где с(х) - коэффициент диффузии, 1о - фильтруемое изображение, I - результат фильтрации. В качестве коэффициента диффузии выбирается либо

с(х) = 1/ [1 + (х/к)2] , (1.6)

либо

с(х) = ехр — (х/к)2, (1.7)

где к - порог применимости фильтра. Таким образом, при ¡VI| » к, с(| VI|) ^ 0, что соответствует отсутствию фильтрации, а при ¡VI| « к, с(|VI|) ^ 1, что соответствует изотропной диффузии.

Главным достоинством метода является то, что фильтрация направлена на сохранение областей неоднородности (например, контуров). Однако, в приведённом виде метод подходит для устранения аддитивного шума, но не применим к мультипликативному спекл-шуму.

Базовым АВ методом, лишённым этого недостатка, является БИЛО [2], основное отличие которого от классического уравнения АВ заключается в выборе коэффициента диффузии, соответствующего нелинейной модели спекл-шума, из-за чего уравнение, описывающее процесс фильтрации в области П изображения I, принимает следующий вид:

В/(ж, у; ¿)/В£ = ¿т [с(д) VI(ж, у; ¿)] ,

I(ж,у; 0) = /о(ж,у), (1.8) (В/ (ж,у; ¿)/Вп)ш = °

где ВП соответствует границе П, п — внешняя нормаль к ВП, а коэффициент диффузии определяется как:

Ф) " 1 + [^2(ж,у; *)- «¿(1)] / К(¿)(1 + д§(*))]' (1.9)

При этом коэффициент диффузии зависит от значения мгновенной вариации:

9(ж у;«) - . (У2)^)0 - <1/40)(V0I/I)0 (110)

91ж'у' ' М [1 + (1/4)(V0//I)] ' ( )

и спекл-масштабирующей функции:

«М =-=-, (1.11)

г ф

вычисляемой по однородной области ¿(¿).

Из уравнений (1.8)—(1.11) видно, что процесс фильтрации спекл-шума зависит только от выбора однородной области и количества итераций фильтрации. Выбор количества итераций фильтрации описан более подробно в главе 1.1.2.

Список литературы диссертационного исследования кандидат наук Хвостиков Александр Владимирович, 2019 год

Литература

[1] Loupas T. Digital Image Processing for Noise Reduction in Medical Ultrasonics : Ph. D. thesis / T. Loupas ; University of Oxford. — 1988.

[2] Yu Yongjian, Acton Scott T. Speckle reducing anisotropic diffusion // Image Processing, IEEE Transactions on. — 2002.—Vol. 11, no. 11. —P. 1260-1270.

[3] Oriented speckle reducing anisotropic diffusion / Karl Krissian, C-F Westin, Ron Kikinis, Kirby G Vosburgh // Image Processing, IEEE Transactions on. — 2007. — Vol. 16, no. 5. — P. 1412-1424.

[4] Hacini Meriem, Hachouf Fella, Djemal Khalifa. A new speckle filtering method for ultrasound images based on a weighted multiplicative total variation // Signal Processing. — 2014. — Vol. 103.—P. 214-229.

[5] Influence of ultrasound despeckling on the liver fibrosis classification / Alexander Khvostikov, Andrey Krylov, Julius Kamalov, Alina Megroyan // 2015 International Conference on Image Processing Theory, Tools and Applications (IPTA) / IEEE. — 2015. — P. 440-445.

[6] B-scan Image Feature Extraction of Fatty Liver / Daxi Wang, Yuan Fang, Bo Hu, Hanqiang Cao // Internet Computing for Science and Engineering (ICICSE), 2012 Sixth International Conference on / IEEE. — 2012. — P. 188-192.

[7] Prediction of cirrhosis from liver ultrasound B-mode images based on Laws' masks analysis / Jitendra Virmani, Vinod Kumar, Naveen Kalra, Niranjan Khandelwal // Image Information Processing (ICIIP), 2011 International Conference on / IEEE. — 2011. — P. 1-5.

[8] Yeh Wen-Chun, Huang Sheng-Wen, Li Pai-Chi. Liver fibrosis grade classification with B-mode ultrasound // Ultrasound in medicine & biology. — 2003.—Vol. 29, no. 9. —P. 1229-1235.

[9] Poonguzhali S, Ravindran G. Automatic classification of focal lesions in ultrasound liver images using combined texture features // Information Technology Journal. — 2008. — Vol. 7, no. 1. — P. 205-209.

[10] Lee Wen-Li, Chen Yung-Chang, Hsieh Kai-Sheng. Ultrasonic liver tissues classification by fractal feature vector based on M-band wavelet transform // Medical Imaging, IEEE Transactions on. — 2003.—Vol. 22, no. 3. —P. 382-392.

[11] Acoustic Radiation Force Impulse (ARFI)-a new modality for the evaluation of liver fibrosis / loan Sporea, Roxana Sirli, Alina Popescu, Mirela Danila // Med Ultrason. — 2010.—Vol. 12, no. 1. —P. 26-31.

[12] Kvostikov A. V., Krylov A. S., Kamalov U. R. Ultrasound Image Texture Analysis for Liver Fibrosis Stage Diagnostics // Programming and Computer Software. — 2015. — Vol. 41, no. 5. — P. 273-278.

[13] Ultrasound despeckling by anisotropic diffusion and total variation methods for liver fibrosis diagnostics / A. Khvostikov, A. Krylov, J. Kamalov, A. Megroyan // Signal Processing: Image Communication.— 2017.—Vol. 59. —P. 3-11.

[14] Seabra Jose, Sanches Joao. Modeling log-compressed ultrasound images for radio frequency signal recovery // 30th Annual International Conference of the IEEE, Engineering in Medicine and Biology Society (EMBS 2008). — 2008.

[15] Perona Pietro, Malik Jitendra. Scale-space and edge detection using anisotropic diffusion // Pattern Analysis and Machine Intelligence, IEEE Transactions on. — 1990.—Vol. 12, no. 7.— P. 629-639.

[16] Gabor-based anisotropic diffusion for speckle noise reduction in medical ultrasonography / Qi Zhang, Hong Han, Chunhong Ji et al. // JOSA A. — 2014. — Vol. 31, no. 6. — P. 1273-1283.

[17] Mrazek Pavel, Navara Mirko. Selection of optimal stopping time for nonlinear diffusion filtering // International Journal of Computer Vision. — 2003.—Vol. 52, no. 2-3.—P. 189-203.

[18] Gilboa Guy, Sochen Nir, Zeevi Yehoshua Y. Estimation of optimal PDE-based denoising in the SNR sense // IEEE Transactions on Image Processing. — 2006. — Vol. 15, no. 8. — P. 2269-2280.

[19] Tsiotsios Chourmouzios, Petrou Maria. On the choice of the parameters for anisotropic diffusion in image processing // Pattern recognition. — 2013. —Vol. 46, no. 5. — P. 1369-1381.

[20] Brodatz Phil. Textures: a photographic album for artists and designers. — Dover Pubns, 1966.

[21] Image quality assessment: from error visibility to structural similarity / Zhou Wang, Alan C Bovik, Hamid R Sheikh et al. // IEEE transactions on image processing. — 2004. — Vol. 13, no. 4. —P. 600-612.

[22] Acoustic Radiation Force Impulse elastography for fibrosis evaluation in patients with chronic hepatitis C: an international multicenter study / loan Sporea, Simona Bota, Markus Peck-Radosavljevic et al. // European journal of radiology. — 2012.—Vol. 81, no. 12. — P. 4112-4118.

[23] Petrou M, Sevilla P G. Chapter 4.6 // Image processing: dealing with texture. — Wiley Chichester, 2006.

[24] Selvarajah S, Kodituwakku SR. Analysis and comparison of texture features for content based image retrieval // International Journal of Latest Trends in Computing. — 2011. —Vol. 2, no. 1.

[25] Ruch David K, Van Fleet Patrick J. Wavelet theory: An elementary approach with applications. — John Wiley & Sons, 2011.

[26] Hall Mark A. Correlation-based feature selection for machine learning : Ph. D. thesis / Mark A Hall ; The University of Waikato. — 1999.

[27] WEKA Manual for Version 3-7-10 / Remco R Bouckaert, Eibe Frank, Mark Hall et al. — 2013.

[28] Witten Ian H, Frank Eibe. Data Mining: Practical Machine Learning Tools and Techniques, Third Edition. — Morgan Kaufmann, 2011.

[29] A subset-search and ranking based feature-selection for histology image classification using global and local quantification / J Coatelen, A Albouy-Kissi, B Albouy-Kissi et al. // Image Processing Theory, Tools and Applications (IPTA), 2015 International Conference on / IEEE. — 2015. —P. 313-318.

[30] Liver Fibrosis detection by the means of texture analysis. Limitations and further development directions / Cristian Vicas, Monica Lupsor, Mihai Socaciu et al. // Automat. Comput. Appl. Math.— 2010.—Vol. 19.—P. 397-402.

[31] Pan Sinno Jialin, Yang Qiang. A survey on transfer learning // IEEE Transactions on knowledge and data engineering. — 2010.—Vol. 22, no. 10. — P. 1345-1359.

[32] Liver fibrosis classification based on transfer learning and FCNet for ultrasound images / Dan Meng, Libo Zhang, Guitao Cao et al. // IEEE Access. — 2017.

[33] Krizhevsky Alex, Sutskever Ilya, Hinton Geoffrey E. Imagenet classification with deep convolutional neural networks // Advances in neural information processing systems. — 2012. — P. 1097-1105.

[34] Towards a unified analysis of brain maturation and aging across the entire lifespan: A MRI analysis / Pierrick Coupe, Gwenaelle Catheline, Enrique Lanuza et al. // Human brain mapping.— 2017. —Vol. 38, no. 11.—P. 5501-5518.

[35] Хвостиков А. В. Диагностирование болезни Альцгеймера с помощью трёхмерной свёр-точной нейросети, основанной на архитектуре Inception // 21-я Международная конференция «Цифровая обработка сигналов и её применение - DSPA-2019», Москва, Россия, доклады. — Т. 2 из Цифровая обработка сигналов и ее применение. — ООО «БРИС-М» 11024, Москва, ул. Авиамоторная, д.8, 2019.— С. 576-582.

[36] Going deeper with convolutions / Christian Szegedy, Wei Liu, Yangqing Jia et al. // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2015. — P. 1-9.

[37] Ashburner John, Friston Karl J. Voxel-based morphometry—the methods // Neuroimage. — 2000.—Vol. 11, no. 6.—P. 805-821.

[38] Deformation-based mapping of volume change from serial brain MRI in the presence of local tissue contrast change / Colin Studholme, Corina Drapaca, Bistra Iordanova, Valerie Cardenas // IEEE transactions on Medical Imaging. — 2006. —Vol. 25, no. 5. — P. 626639.

[39] Support vector machine-based classification of Alzheimer's disease from whole-brain anatomical MRI / Benoit Magnin, Lilia Mesrob, Serge Kinkingnehun et al. // Neuroradiology. — 2009.—Vol. 51, no. 2.—P. 73-83.

[40] Hosseini-Asl Ehsan, Gimel'farb Georgy, El-Baz Ayman. Alzheimer's Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network // arXiv preprint arXiv:1607.00556. — 2016.

[41] Multimodal learning using convolution neural network and Sparse Autoencoder / Tien Duong Vu, Hyung-Jeong Yang, Van Quan Nguyen et al. // Big Data and Smart Computing (BigComp), 2017 IEEE International Conference on / IEEE. — 2017. — P. 309-312.

[42] Payan Adrien, Montana Giovanni. Predicting Alzheimer's disease: a neuroimaging study with 3D convolutional neural networks // arXiv preprint arXiv:1502.02506. — 2015.

[43] DemNet: A Convolutional Neural Network for the detection of Alzheimer's Disease and Mild Cognitive Impairment / Ciprian D Billones, Olivia Jan Louville D Demetria, David Earl D Hostallero, Prospero C Naval // Region 10 Conference (TENCON), 2016 IEEE / IEEE. — 2016. —P. 3724-3727.

[44] Hippocampal microstructural damage correlates with memory impairment in clinically isolated syndrome suggestive of multiple sclerosis / Vincent Planche, Aurelie Ruet, Pierrick Coupe et al. // Multiple Sclerosis Journal. — 2016. — P. 1352458516675750.

[45] Recognition of Alzheimer's disease and Mild Cognitive Impairment with multimodal image-derived biomarkers and Multiple Kernel Learning / Olfa Ben Ahmed, Jenny Benois-Pineau, Michelle Allard et al. // Neurocomputing. — 2017. — Vol. 220. —P. 98-110.

[46] Alzheimer's disease diagnosis on structural MR images using circular harmonic functions descriptors on hippocampus and posterior cingulate cortex / Olfa Ben Ahmed, Maxim Mizotin, Jenny Benois-Pineau et al. // Computerized Medical Imaging and Graphics. — 2015. — Vol. 44. —P. 13-25.

[47] Classification of Alzheimer's disease subjects from MRI using hippocampal visual features / Olfa Ben Ahmed, Jenny Benois-Pineau, Michele Allard et al. // Multimedia Tools and Applications.— 2015.—Vol. 74, no. 4. —P. 1249-1266.

[48] Single slice based detection for Alzheimer's disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization / Shui-Hua Wang, Yin Zhang, Yu-Jie Li et al. // Multimedia Tools and Applications. — 2016. —P. 1-25.

[49] Early detection of Alzheimer's disease using M RI hippocampal texture / Lauge S0rensen, Christian Igel, Naja Liv Hansen et al. // Human brain mapping. — 2016. —Vol. 37, no. 3. — P. 1148-1161.

[50] Lowe David G. Distinctive image features from scale-invariant keypoints // International journal of computer vision. — 2004. —Vol. 60, no. 2. — P. 91-110.

[51] Speeded-up robust features (SURF) / Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool // Computer vision and image understanding. — 2008. — Vol. 110, no. 3. — P. 346359.

[52] Visual categorization with bags of keypoints / Gabriella Csurka, Christopher Dance, Lixin Fan et al. // Workshop on statistical learning in computer vision, ECCV / Prague. — Vol. 1. — 2004. —P. 1-2.

[53] Magnetic resonance imaging biomarkers for the early diagnosis of Alzheimer's disease: a machine learning approach / Christian Salvatore, Antonio Cerasa, Petronilla Battista et al. // Frontiers in neuroscience. — 2015. — Vol. 9. — P. 307.

[54] Detecting anatomical landmarks for fast Alzheimer's disease diagnosis / Jun Zhang, Yue Gao, Yaozong Gao et al. // IEEE transactions on medical imaging. — 2016. — Vol. 35, no. 12. — P. 2524-2533.

[55] Ensemble Classification of Alzheimer's Disease and Mild Cognitive Impairment Based on Complex Graph Measures from Diffusion Tensor Images / Ashkan Ebadi, Josue L Dalboni da Rocha, Dushyanth B Nagaraju et al. // Frontiers in Neuroscience. — 2017. — Vol. 11.

[56] Lee Wook, Park Byungkyu, Han Kyungsook. SVM-Based Classification of Diffusion Tensor Imaging Data for Diagnosing Alzheimer's Disease and Mild Cognitive Impairment // International Conference on Intelligent Computing / Springer. — 2015. — P. 489-499.

[57] Discriminative Learning for Alzheimer's Disease Diagnosis via Canonical Correlation Analysis and Multimodal Fusion / Baiying Lei, Siping Chen, Dong Ni, Tianfu Wang // Frontiers in aging neuroscience. — 2016. — Vol. 8.

[58] A survey on deep learning in medical image analysis / Geert Litjens, Thijs Kooi, Babak Ehteshami Bejnordi et al. // Medical image analysis. — 2017. —Vol. 42. —P. 60-88.

[59] Luo Suhuai, Li Xuechen, Li Jiaming. Automatic Alzheimer's Disease Recognition from MRI Data Using Deep Learning Method // Journal of Applied Mathematics and Physics. — 2017. — Vol. 5, no. 09. —P. 1892.

[60] Deep Multi-Task Multi-Channel Learning for Joint Classification and Regression of Brain Status / Mingxia Liu, Jun Zhang, Ehsan Adeli, Dinggang Shen // International Conference on Medical Image Computing and Computer-Assisted Intervention / Springer. — 2017. — P. 3-11.

[61] Multi-Modality Cascaded Convolutional Neural Networks for Alzheimer's Disease Diagnosis / Manhua Liu, Danni Cheng, Kundong Wang et al. // Neuroinformatics. — 2018. —P. 1-14.

[62] Glozman Tanya, Liba Orly. Hidden Cues: Deep Learning for Alzheimer's Disease Classification CS331B project final report. — 2016.

[63] Sarraf Saman, Tofighi Ghassem. Classification of Alzheimer's Disease Structural MRI Data by Deep Learning Convolutional Neural Networks // arXiv preprint arXiv:1607.06583. — 2016.

[64] FuseMe: Classification of sMRI images by fusion of Deep CNNs in 2D+e projections / Karim Aderghal, Jenny Benois-Pineau, Karim Afdel, Catheline Gwenaelle // International Workshop on Content-Based Multimedia Indexing. — 2017. — P. 1-7.

[65] Multimodal Neuroimaging Feature Learning with Multimodal Stacked Deep Polynomial Networks for Diagnosis of Alzheimer's Disease / Jun Shi, Xiao Zheng, Yan Li et al. // IEEE journal of biomedical and health informatics. — 2017.

[66] Residual and Plain Convolutional Neural Networks for 3D Brain MRI Classification / Sergey Korolev, Amir Safiullin, Mikhail Belyaev, Yulia Dodonova // arXiv preprint arXiv:1701.06643. — 2017.

[67] Deep ensemble learning of sparse regression models for brain disease diagnosis / Heung-Il Suk, Seong-Whan Lee, Dinggang Shen et al. // Medical image analysis. — 2017. — Vol. 37. — P. 101113.

[68] Automatic Recognition of Mild Cognitive Impairment from MRI Images Using Expedited Convolutional Neural Networks / Shuqiang Wang, Yanyan Shen, Wei Chen et al. // International Conference on Artificial Neural Networks / Springer. — 2017. — P. 373-380.

[69] Li Hongming, Habes Mohamad, Fan Yong. Deep Ordinal Ranking for Multi-Category Diagnosis of Alzheimer's Disease using Hippocampal MRI data // arXiv preprint arXiv:1709.01599. — 2017.

[70] Li Xingjuan, Li Yu, Li Xue. Predicting Clinical Outcomes of Alzheimer's Disease from Complex Brain Networks // International Conference on Advanced Data Mining and Applications / Springer. — 2017. — P. 519-525.

[71] Ortiz-Suarez Juan M, Ramos-Pollan Raul, Romero Eduardo. Exploring Alzheimer's anatomical patterns through convolutional networks // 12th International Symposium on Medical Information Processing and Analysis / International Society for Optics and Photonics. — 2017. — P. 101600Z-101600Z.

[72] Ioffe Sergey, Szegedy Christian. Batch normalization: Accelerating deep network training by reducing internal covariate shift // International Conference on Machine Learning. — 2015. — P. 448-456.

[73] Smith Stephen M. Fast robust automated brain extraction // Human brain mapping. — 2002.—Vol. 17, no. 3. — P. 143-155.

[74] Fsl / Mark Jenkinson, Christian F Beckmann, Timothy EJ Behrens et al. // Neuroimage. — 2012.—Vol. 62, no. 2.—P. 782-790.

[75] Structural correlates of early and late onset Alzheimer's disease: voxel based morphometric study / GB Frisoni, C Testa, F Sabattoli et al. // Journal of Neurology, Neurosurgery & Psychiatry.— 2005.—Vol. 76, no. 1. —P. 112-114.

[76] Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain / Nathalie Tzourio-Mazoyer, Brigitte Landeau, Dimitri Papathanassiou et al. // Neuroimage. — 2002.—Vol. 15, no. 1. — P. 273-289.

[77] Glorot Xavier, Bengio Yoshua. Understanding the difficulty of training deep feedforward neural networks // Proceedings of the thirteenth international conference on artificial intelligence and statistics. - 2010. - P. 249-256.

[78] Deep learning / Ian Goodfellow, Yoshua Bengio, Aaron Courville, Yoshua Bengio. — MIT press Cambridge, 2016.—Vol. 1.

[79] Tieleman Tijmen, Hinton Geoffrey. Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude // COURSERA: Neural networks for machine learning. — 2012.—Vol. 4, no. 2. —P. 26-31.

[80] Accurate, large minibatch SGD: training imagenet in 1 hour / Priya Goyal, Piotr Dollar, Ross Girshick et al. // arXiv preprint arXiv:1706.02677. — 2017.

[81] Chollet François et al. Keras.— https://keras.io. — 2015.

[82] Tensorflow: Large-scale machine learning on heterogeneous distributed systems / Martin Abadi, Ashish Agarwal, Paul Barham et al. // arXiv preprint arXiv:1603.04467.— 2016.

[83] Wilson Edwin B. Probable inference, the law of succession, and statistical inference // Journal of the American Statistical Association. — 1927. — Vol. 22, no. 158. — P. 209-212.

[84] Newcombe Robert G. Two-sided confidence intervals for the single proportion: comparison of seven methods // Statistics in medicine. — 1998. — Vol. 17, no. 8. — P. 857-872.

[85] DeepAD: Alzheimer's Disease Classification via Deep Convolutional Neural Networks using MRI and fMRI / Saman Sarraf, John Anderson, Ghassem Tofighi et al. // bioRxiv. — 2016. — P. 070441.

[86] Sarraf Saman, Tofighi Ghassem. Deep learning-based pipeline to recognize Alzheimer's disease using fMRI data // Future Technologies Conference (FTC) / IEEE. — 2016. — P. 816-820.

[87] Fernandez-Gonzalez Rodrigo, et al. Automatic segmentation of histological structures in mammary gland tissue sections // Journal of biomedical optics. — 2004. — Vol. 9, no. 3. — P. 444-454.

[88] Segmentation of intestinal gland images with iterative region growing / H-S WU, R Xu, N Harpaz et al. // Journal of Microscopy. - 2005. - Vol. 220, no. 3. - P. 190-204.

[89] Gunduz-Demir Cigdem, Kandemir Melih, et al. Automatic segmentation of colon glands using object-graphs // Medical image analysis. — 2010.-Vol. 14, no. 1.-P. 1-12.

[90] Sirinukunwattana Korsuk, Snead David RJ, Rajpoot Nasir M. A stochastic polygons model for glandular structures in colon histology images // IEEE transactions on medical imaging. — 2015.-Vol. 34, no. 11.-P. 2366-2378.

[91] A seeding-searching-ensemble method for gland segmentation in H&E-stained images / Yizhe Zhang, Lin Yang, John D MacKenzie et al. // BMC medical informatics and decision making.-2016.-Vol. 16, no. 2.-P. 80.

[92] Long Jonathan, Shelhamer Evan, Darrell Trevor. Fully convolutional networks for semantic segmentation // Proceedings of the IEEE conference on computer vision and pattern recognition. - 2015. - P. 3431-3440.

[93] Badrinarayanan Vijay, Kendall Alex, Cipolla Roberto. Segnet: A deep convolutional encoderdecoder architecture for image segmentation // IEEE transactions on PAMI. — 2017. —Vol. 39, no. 12.-P. 2481-2495.

[94] Ronneberger Olaf, Fischer Philipp, Brox Thomas. U-net: Convolutional networks for biomedical image segmentation // International Conference on Medical image computing and computer-assisted intervention / Springer. — 2015. — P. 234-241.

[95] Stacked convolutional auto-encoders for hierarchical feature extraction / Jonathan Masci, Ueli Meier, Dan Ciresan, Jurgen Schmidhuber // ICANN / Springer. — 2011.—P. 52-59.

[96] DCAN: Deep contour-aware networks for object instance segmentation from histology images / Hao Chen, Xiaojuan Qi, Lequan Yu et al. // Medical image analysis. — 2017. — Vol. 36. —P. 135-146.

[97] Kainz Philipp, Pfeiffer Michael, Urschler Martin. Segmentation and classification of colon glands with deep convolutional neural networks and total variation regularization // PeerJ. — 2017.—Vol. 5. —P. e3874.

[98] Xu Yan, et al. Gland instance segmentation using deep multichannel neural networks // IEEE Transactions on Biomedical Engineering. — 2017.—Vol. 64, no. 12. — P. 2901-2912.

[99] Ren Shaoqing, et al. Faster R-CNN: Towards real-time object detection with region proposal networks // Advances in neural information processing systems. — 2015. — P. 91-99.

[100] Xie Saining, Tu Zhuowen. Holistically-nested edge detection // Proceedings of the IEEE international conference on computer vision. — 2015. — P. 1395-1403.

[101] Automatic glands segmentation in histological images obtained by endoscopic biopsy from various parts of the colon / N. Oleynikova, A. Khvostikov, A. Krylov et al. // Endoscopy. — 2019.—Vol. 51, no. 04. —P. OP9.

[102] Automatic Mucous Glands Segmentation in Histological Images / A. Khvostikov, A. Krylov, I. Mikhailov et al. // ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. — 2019.—Vol. 4212. —P. 103-109.

[103] Non-local neural networks / Xiaolong Wang, Ross Girshick, Abhinav Gupta, Kaiming He // The IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — Vol. 1. — 2018. —P. 4.

[104] Buades Antoni, Coll Bartomeu, Morel J-M. A non-local algorithm for image denoising // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05) / IEEE.—Vol. 2. —2005. —P. 60-65.

[105] Warwick-QU image dataset description. — Website. — 2015. — https://warwick.ac.uk/ fac/sci/dcs/research/tia/glascontest/about/.

[106] Sirinukunwattana Korsuk, et al. Gland segmentation in colon histology images: The glas challenge contest // Medical image analysis. — 2017.—Vol. 35.— P. 489-502.

[107] Soundararaj Sai et al. FloydHub. Fastest way to build, train, and deploy deep learning models. — https://www.floydhub.com. — 2016. — Accessed: 2019-03-31.

[108] Morphological and immunohistochemical classification aspects of serrated formations of the large intestine / N. Oleynikova, O. Kharlova, P. Mal'kov, N. Danilova // International Journal of Advanced Research. — 2017. —no. 5. —P. 118-135.

[109] Deep learning for healthcare: review, opportunities and challenges / Riccardo Miotto, Fei Wang, Shuang Wang et al. // Briefings in bioinformatics. — 2017. — Vol. 19, no. 6. — P. 12361246.

[110] Bakator Mihalj, Radosav Dragica. Deep learning and medical diagnosis: A review of literature // Multimodal Technologies and Interaction. — 2018.—Vol. 2, no. 3.—P. 47.

[111] Nonlocality-reinforced convolutional neural networks for image denoising / Cristovao Cruz, Alessandro Foi, Vladimir Katkovnik, Karen Egiazarian // IEEE Signal Processing Letters. — 2018.—Vol. 25, no. 8.—P. 1216-1220.

[112] Scribblesup: Scribble-supervised convolutional networks for semantic segmentation / Di Lin, Jifeng Dai, Jiaya Jia et al. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2016. — P. 3159-3167.

[113] Mask R-CNN / Kaiming He, Georgia Gkioxari, Piotr Dollar, Ross Girshick // Proceedings of the IEEE international conference on computer vision. — 2017. —P. 2961-2969.

[114] Bai Min, Urtasun Raquel. Deep watershed transform for instance segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2017. — P. 5221-5229.

[115] Kass Michael, Witkin Andrew, Terzopoulos Demetri. Snakes: Active contour models // International journal of computer vision. — 1988. —Vol. 1, no. 4. —P. 321-331.

[116] Learning deep structured active contours end-to-end / Diego Marcos, Devis Tuia, Benjamin Kellenberger et al. // arXiv preprint arXiv:1803.06329. — 2018.

[117] Хвостиков А. В., Крылов А. С. Гибридный метод сегментации гистологических изображений // Научная конференция ЛОМОНОСОВСКИЕ ЧТЕНИЯ. Тезисы докладов. 15-25 апреля 2019 г. — СЕКЦИЯ ВЫЧИСЛИТЕЛЬНОЙ МАТЕМАТИКИ И КИБЕРНЕТИКИ, Факультет вычислительной математики и кибернетики. — Москва : Москва, 2019. — С. 112112.

[118] Cohen Laurent D. On active contour models and balloons // CVGIP: Image understanding. —1991.—Vol. 53, no. 2.—P. 211-218.

[119] Cohen Laurent D, Cohen Isaac. Finite-element methods for active contour models and balloons for 2-D and 3-D images // IEEE Transactions on Pattern Analysis & Machine Intelligence.— 1993.—no. 11.—P. 1131-1147.

[120] Qian Ning. On the momentum term in gradient descent learning algorithms // Neural networks. —1999.—Vol. 12, no. 1.—P. 145-151.

[121] Schulz Hannes, Behnke Sven. Structured prediction for object detection in deep neural networks // International Conference on Artificial Neural Networks / Springer. — 2014. — P. 395-402.

[122] Ratliff Nathan D, Bagnell J Andrew, Zinkevich Martin A. (Approximate) Subgradient Methods for Structured Prediction // Artificial Intelligence and Statistics. — 2007. — P. 380387.

[123] Wu Yuxin, He Kaiming. Group normalization // Proceedings of the European Conference on Computer Vision (ECCV). — 2018. — P. 3-19.

[124] Kingma Diederik P, Ba Jimmy. Adam: A method for stochastic optimization // arXiv preprint arXiv:1412.6980. — 2014.

[125] Smith Leslie N. Cyclical learning rates for training neural networks // 2017 IEEE Winter Conference on Applications of Computer Vision (WACV) / IEEE. — 2017. — P. 464-472.

[126] Loshchilov Ilya, Hutter Frank. Sgdr: Stochastic gradient descent with warm restarts // arXiv preprint arXiv:1608.03983. — 2016.

Публикации по теме диссертации

Работы, опубликованные в журналах WoS, Scopus:

1. Kvostikov A. V., Krylov A. S., Kamalov U. R. Ultrasound image texture analysis for liver fibrosis stage diagnostics // Programming and Computer Software. — 2015. — Vol. 41, no. 5. — P. 273-278. [WoS; Impact Factor: 0.267]

2. Ultrasound despeckling by anisotropic diffusion and total variation methods for liver fibrosis diagnostics / A. Khvostikov, A. Krylov, J. Kamalov, A. Megroyan // Signal Processing: Image Communication. — 2017. — Vol. 59. — P. 3-11. [WoS; Impact Factor: 2.814]

3. Модель обучаемого активного контура для сегментации гистологических изображений / А. В. Хвостиков, А. С. Крылов, И. А. Михайлов, П. Г. Мальков // Научная визуализация. — 2019. — Том. 11, № 3. — с. 64-75. [Scopus; RINC Impact Factor: 0.280]

4. Automatic glands segmentation in histological images obtained by endoscopic biopsy from various parts of the colon / N. Oleynikova, A. Khvostikov, A. S. Krylov et al. // Endoscopy. — 2019. — Vol. 51, no. 4. — P. S6-S7. [WoS; Impact Factor: 6.629]

5. Application of convolutional neural networks for glands instance segmentation in the images of colon epithelial neoplasms / I. A. Mikhailov, A. V. Khvostikov, A. S. Krylov et al. // Virchows Archiv. — 2019. — Vol. 475, no. Suppl 1. — P. S124-S124. [WoS; Impact Factor: 2.848]

Работы, опубликованные в трудах конференций, индексируемые WoS:

1. Influence of ultrasound despeckling on the liver fibrosis classification / A. Khvostikov, A. Krylov, J. Kamalov, A. Megroyan // Proceedings of the 5th IEEE International Conference

on Image Processing, Theory, Tools and Applications. — Orleans, France, 2015. — P. 440-445. [WoS]

2. Classification of Alzheimer disease on imaging modalities with deep CNNs using cross-modal transfer learning / K. Aderghal, A. Khvostikov, A. Krylov et al. // 2018 IEEE 31st International Symposium on Computer-Based Medical Systems (CBMS). — Karlstad, Sweden, 2018. — P. 345-350. [WoS]

3. Automatic mucous glands segmentation in histological images / A. V. Khvostikov, A. S. Krylov, I. A. Mikhailov et al. // ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. — 2019. — Vol. 42, no. 2/W12. — P. 103-109. [WoS]

Иные публикации:

1. Хвостиков А., Крылов А., Камалов Ю. Детектирование стадии фиброза печени при помощи текстурного анализа ультразвуковых изображений //GraphiCon 2014: труды 24-й Междунар. конф. по компьютерной графике и машинному зрению. — г. Ростов-на-Дону, 2014. — С. 127-130.

2. Classification methods on different imaging modalities for alzheimer disease studies / A. Khvostikov, J. Benois-Pineau, A. Krylov, G. Catheline // GraphiCon 2017: труды 27-й Междунар. конф. по компьютерной графике и машинному зрению. — Перм. гос. нац. исслед. ун-т, г. Пермь, 2017. — P. 237-242.

3. CNN-based histological images segmentation of mucous glands / A. Khvostikov, A. S. Krylov, O. Kharlova et al. // GraphiCon 2018: труды 28-й Междунар. конф. по компьютерной графике и машинному зрению. — Нац. исслед. Том. политех. ун-т г. Томск, 2018. — P. 258-261.

4. Alzheimer's disease diagnostics with convolutional neural networks / K. Alexander, A. Karim, B.-P. Jenny et al. // BIOKYBERNETIKA 2018. 3rd Russian-German Conference MultiScale BioMathematics - Coherent Modeling of Human Body System. — Reintjes Printmedien GmbH Hammscher Weg 74, 47533 Kleve, 2018. — P. 11-11.

5. Хвостиков А. В. Диагностирование болезни Альцгеймера с помощью трёхмерной свёр-точной нейросети, основанной на архитектуре inception // 21-я Международная конференция "Цифровая обработка сигналов и её применение - DSPA-2019 Москва, Россия, доклады. — Т. 2 из Цифровая обработка сигналов и ее применение. — ООО "БРИС-М"11024, Москва, ул. Авиамоторная, д.8, 2019. — С. 576-582.

6. Хвостиков А. В., Крылов А. С. Гибридный метод сегментации гистологических изображений // Научная конференция ЛОМОНОСОВСКИЕ ЧТЕНИЯ. Тезисы докладов. 15-25 апреля 2019 г. — СЕКЦИЯ ВЫЧИСЛИТЕЛЬНОЙ МАТЕМАТИКИ И КИБЕРНЕТИКИ, Факультет вычислительной математики и кибернетики. — Москва: Москва, 2019. — С. 112-112.