Математическое и программное обеспечение идентификации специальных состояний мониторируемых объектов на основе обработки изображений тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Васильченко Владислав Алексеевич

• Васильченко Владислав Алексеевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Васильченко Владислав Алексеевич

ВВЕДЕНИЕ

ГЛАВА 1 АНАЛИЗ СОВРЕМЕННЫХ ПОДХОДОВ К ИДЕНТИФИКАЦИИ СПЕЦИАЛЬНЫХ СОСТОЯНИЙ ОБЪЕКТОВ МОНИТОРИНГА НА БАЗЕ ПРОГРАММНО-АППАРАТНЫХ КОМПЛЕКСОВ

1.1 Проблематика процессов идентификации специальных состояний объектов в условиях неопределенности

1.2 Обзор математических методов принятия решений с учетом специфики специальных состояний

1.3 Выбор архитектуры вычислительной системы, реализующей процесс идентификации

1.4 Структура экспертной системы поддержки принятия решений

1.5 Цель работы и задачи исследования

ГЛАВА 2 АЛГОРИТМИЗАЦИЯ ПРОЦЕССА ИДЕНТИФИКАЦИИ РЕЗУЛЬТАТОВ МОНИТОРИНГА СПЕЦИАЛЬНЫХ СОСТОЯНИЙ ОБЪЕКТОВ НА ОСНОВЕ ДАННЫХ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ

2.1 Нейросетевая модель идентификации состояний мониторируемых объектов

2.2 Алгоритмизация процесса цифровой обработки снимков компьютерного томографа

2.3 Графическая модель идентификации объекта мониторинга

Выводы

ГЛАВА 3 ПРОБЛЕМНО-ОРИЕНТИРОВАННАЯ БАЗА ЗНАНИЙ ИДЕНТИФИКАЦИИ СОСТОЯНИЙ МОНИТОРИРУЕМЫХ ОБЪЕКТОВ

3.1 Информационная модель объекта мониторинга

3.2 Информационная модель диагностического процесса, как объекта автоматизации

3.3 Информационная модель лабораторных диагностических исследований

3.4 Информационная модель принятия диагностических решений

3.5 Нейросетевая модель процесса диагностики на основе массива мониторинговых данных

3.6 Разработка базы знаний для процесса идентификации специальных состояний объектов мониторинга

Выводы

ГЛАВА 4 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ КОМПЛЕКСА

ИДЕНТИФИКАЦИИ СПЕЦИАЛЬНЫХ СОСТОЯНИЙ НА БАЗЕ

КОМПЬЮТЕРНЫХ ИЗОБРАЖЕНИЙ И БАЗЫ ЗНАНИЙ

4.1 Структура программного комплекса индетификации специальных состояний

4.2 Пользовательский интерфейс

4.3 Анализ работы программного комплекса

Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Математическое и программное обеспечение идентификации специальных состояний мониторируемых объектов на основе обработки изображений»

ВВЕДЕНИЕ

Актуальность темы исследования. Одним из важнейших аспектов функционирования человеко-машинных систем обработки изображений, полученных в результате процессов мониторинга, является эффективное использование баз данных, накопленных в процессе аккумуляции ранее полученных результатов обработки. Управление процессами, обеспечивающими требуемый уровень качества соответствующих показателей жизненного уровня и значительное снижение заболеваемости населения, является первоочередной задачей современного общества.

Большое число объектов мониторинга, решение по которым принимается на основе степени близости полученного мониторингового изображения с хранящимися в БД, по которым имеются подтвержденные решения, для повышения эффективности реализуемых решений необходимо обеспечить возможность обработки больших объемов изображений. Данную задачу невозможно решить без использования специализированного программного обеспечения, которое должно повышать оперативность идентификации специальных состояний мониторируемых объектов на основе, в частности, компьютерной томографии. В то же время возможности современной вычислительной техники позволяют проводить тонкий анализ снимков компьютерного томографа на основе баз знаний с вероятностью, превышающей 99%.

Теоретическим и практическим вопросам использования больших баз данных при визуализации и обработке изображений посвящены работы таких авторов, как Барабанов В.Ф., Бурковский В.Л., Крижевский А., Суцкевер И. и Хинтон Д.

Вместе с тем задача разработки программных средств, обеспечивающих идентификацию специальных состояний мониторируемых объектов по данным мультиспиральных компьютерных томографов и их дальнейшая интеграция в

рамках единого комплекса мониторинга имеет важное практическое значение. Это обуславливает необходимость проведения дополнительных исследований в области создания специализированных инструментов, интегрирующих в себя средства мониторинга специальных состояний, реализующих модели, методы, алгоритмы и программные средства обработки изображений.

Состояние проблемы. Теоретическим и практическим вопросом использования данных аппаратных комплексов обработки изображений посвящены работы таких авторов, как Бурковский В. Л., Кравец О. Я., Подвальный С. Л., Гусев К. Ю., И. Суцкевер и Д. Хинтон, Иващук О. А., Азарнова Т. В.

В этой связи актуальность темы диссертационной работы продиктована высокой практической значимостью решения задачи дальнейшего повышения качества и оперативности идентификации специальных состояний мони-торируемых объектов на основе разработки математического и программного обеспечения обработки компьютерных изображений с использованием больших баз данных.

Диссертация выполнена в соответствии с основным научным направлением ФГБОУ ВПО «Воронежский государственный технический университет» «Вычислительные комплексы и проблемно-ориентированные системы управления».

Цель и задачи исследования. Целью диссертационной работы является повышение качества идентификации специальных состояний мониторируемых объектов с использованием математического и программного обеспечения на основе интеллектуализации обработки изображений и объектно-ориентированной базы знаний.

Для достижения поставленной цели необходимо решение следующих задач: - разработка сверточной нейросетевой модели процесса идентификации специальных состояний мониторируемых объектов, обеспечивающей

интеллектуализацию обработки компьютерных изображений с ускоренным темпом процесса обучения сети;

- создание модифицированного алгоритма идентификации состояний объектов мониторинга, обеспечивающего передачу информации в следующий слой путем объединения соответствующих признаков;

- создание базы знаний в составе подсистемы идентификации состояний объектов мониторинга, обеспечивающей процессы саморазвития соответствующих баз данных;

- разработка алгоритма массовой обработки данных снимков компьютерного томографа, обеспечивающего квазипараллельную обработку информации для ускорения решения задачи идентификации;

- разработка структуры программного комплекса идентификации специальных состояний на основе предложенной базы знаний, повышающей скорость и качество идентификации специальных состояний.

Соответствие диссертации паспорту специальности.

Тематика работы соответствует пункту 7 паспорта специальности 05.13.11 «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей»: Человеко-машинные интерфейсы; модели, методы, алгоритмы и программные средства машинной графики, визуализации, обработки изображений, систем виртуальной реальности, мультимедийного общения.

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

- сверточная нейросетевая модель процесса идентификации специальных состояний мониторируемых объектов, отличающаяся применением функции активации ReLU, специфической топологией слоевого пространства, и обеспечивающая обработку компьютерных изображений с ускоренным темпом процесса обучения сети;

- модифицированный алгоритм идентификации состояний объектов мониторинга, отличающийся скользящим процессом сканирования сверточной карты дельт с измененными краевыми эффектами и обеспечивающий передачу информации в следующий слой путем объединения соответствующих признаков;

- база знаний в составе подсистемы идентификации состояний объектов мониторинга, отличающаяся реализацией интеллектуальных средств, обеспечивающих процессы саморазвития соответствующих баз данных;

- алгоритм массовой обработки данных снимков компьютерного томографа, отличающийся применением гибридных систем на базе нечеткой логики, нейронных сетей и генетического алгоритма и обеспечивающий квазипараллельную обработку информации для ускорения решения задачи идентификации;

- структура программного комплекса идентификации специальных состояний объектов мониторинга на основе базы знаний, отличающегося реализацией процесса массовой обработки компьютерных изображений с элементами параллелизма для повышения скорости и качества идентификации.

Теоретическая и практическая значимость исследования заключается в разработке специальных средств математического и программного обеспечения идентификации специальных состояний мониторируемых объектов на основе интеграции программно-аппаратного комплекса компьютерной томографии и объектно-ориентированной базы знаний.

Полученные в работе теоретические результаты могут быть использованы в научно-исследовательских и проектных организациях, занимающихся разработкой математического и программного обеспечения программно-аппаратных комплексов, в том числе биотехнических, ориентированных на проведение мониторинга и массового обследования населения в условиях высокого быстродействия и качества процессов идентификации.

Положения, выносимые на защиту

1. Сверточная нейросетевая модель процесса идентификации специальных состояний мониторируемых объектов обеспечивает обработку компьютерных изображений с ускоренным темпом процесса обучения сети.

2. Алгоритм идентификации состояний объектов мониторинга позволяет осуществлять передачу информации в следующий слой нейронной сети путем объединения соответствующих признаков.

3. База знаний в составе подсистемы идентификации состояний объектов мониторинга обеспечивает процессы саморазвития соответствующих баз данных.

4. Алгоритм массовой обработки данных снимков компьютерного томографа в основе реализует квазипараллельную обработку информации для ускорения решения задачи идентификации.

Результаты внедрения. Основные результаты работы внедрены в учебный процесс на кафедре «Электропривода, автоматики и управления в технических системах» Воронежского государственного технического университета в рамках дисциплины «Математические основы системного анализа», а также в Воронежской областной клинической больнице №1 и Воронежской городской клинической больницы скорой медицинской помощи №10.

Положения, выносимые на защиту.

1. Экспертный алгоритм обеспечивает оперативный анализ данных объектно-ориентированной базы знаний с формированием информации о медицинских препаратах в рамках медикаментозной схемы лечения.

2. Нейросетевая модель анализа данных лабораторных исследований обеспечивает подготовку заключения о необходимости медикаментозного лечения.

3. Алгоритм диагностики заболеваний легких, базирующийся на сверточной нейронной сети, позволяет осуществлять оперативный анализ данных КТ легких и предполагает определение количественной оценки вероятности возможности легочного заболевания.

Результаты внедрения. Основные результаты работы внедрены в учебный процесс на кафедре «Электропривода, автоматики и управления в технических системах» Воронежского государственного технического университета в рамках дисциплины «Математические основы системного анализа», а также в Воронежской областной клинической больнице №1 и Воронежской городской клинической больницы скорой медицинской помощи №10.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях: VIII Международная конференция Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2015), Новые технологии в научных исследованиях, проектировании, управлении, производстве (НТ-2015), IX Международная конференция «Современные методы прикладной математики, теории управления и компьютерных технологий» (ПМТУКТ-2016), XIII Международная научно-техническая конференция «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Распознавание -2017), XI-Международная конференция «Современные методы прикладной математики, теории управления и компьютерных технологий» (ПМТУКТ-2017), XIV международная научно-техническая конференция «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Распознавание — 2018), а также научно-методических семинарах кафедры электропривода, автоматики и управления в технических системах Воронежского государственного технического университета (2012-2020).

Публикации. По материалам диссертации опубликовано 13 научных работ, в том числе одна в SCOPUS, пять - в изданиях, рекомендованных ВАК РФ, получено одно свидетельство о государственной регистрации программы.

В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежит: в [2, 4, 8, 9] анализ объектно-ориентированных

СУБД; [1, 3, 5, 6, 7, 10, 11,13] алгоритмы цифровой обработки рентгеновских снимков компьютерного томографа; [12] модели принятия решений по выбору рациональной тактики лечения больных.

Структура и объем работы. Диссертация состоит из введения, четырех глав с выводами, заключения, приложения и списка литературы из 154 наименований. Основная часть работы изложена на 149 страницах, содержит 42 рисунка и 11 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертационной работы, сформулированы цель и задачи исследования, изложены основные научные положения, определена практическая значимость, приведены сведения об апробации и внедрении работы.

В первой главе представлены результаты анализа современных программно-аппаратных систем, реализуемых при проведении массового мониторинга специальных объектов. Приведены основные методы моделирования процессов идентификации специальных состояний и разработки программных комплексов, повышающих эффективность проведения мероприятий по повышению качества идентификации на основе анализа компьютерных изображений.

Произведен обзор математических методов принятия решений по идентификации для некоторых классов специальных состояний. Разработаны функциональные компоненты и представлено взаимодействие структурных элементов системы идентификации, которая включает в себя аппаратный и программный комплекс.

Отмечена практическая важность математических методов обработки изображений компьютерной томографии на основе реализации моделей нейросетевого анализа данных мониторинга.

Установлено, что решение задачи цифровой обработки изображений компьютерного томографа сводится, в основном, к предварительной обработке, выделению деталей, детектированию или сегментации снимка и дальнейшей высокоуровневой обработки с помощью одного из алгоритмических подходов и математических формализмов, используемых при разработке практических систем анализа изображений. Это гистограммные преобразования, анализ проекций, линейная и нелинейная фильтрация изображений, яркостная и текстурная сегментация, корреляционное обнаружение и согласованная фильтрация, метод «нормализации фона», преобразование Хафа, структурно-лингвистический подход, а также метод сверточных нейронных сетей.

С критических позиций рассмотрены методы построения больших объектно-ориентированных и объектно-реляционных баз знаний на моделях представления знаний, проблемной области и поставленной задачи.

На основании проведенного анализа сформулированы цель и задачи диссертационного исследования, в основе которых лежат разработка сверточных нейросете-вых моделей массовой цифровой обработки изображений, алгоритмов идентификации специальных состояний мониторируемых объектов, построение объектно -ориентированной базы знаний.

Во второй главе посвящена разработке средств идентификации результатов мониторинга специальных состояний в виде компьютерных изображений на основе данных программно-аппаратной системы на базе компьютерной томографии.

Первоочередной задачей алгоритмизации процесса идентификации специальных состояний объектов мониторинга является определение возможных вариантов отклонения от нормы. За основу взят алгоритм реализации сверточной сети Densenet, глубина которой составляет 201 слой. В алгоритм внесены изменения в виде применения функции активации ReLU, которая позволяет существенно ускорить процесс обучения и одновременно с этим упростить вычисления.

Первоначальный вариант сети позволял классифицировать порядка 1000 различных категорий объектов. Применение метода переноса обучения в глубоких нейронных сетях позволило использовать предварительно обученную сеть в качестве отправной точки для классификации специальных состояний [86-88].

Реструктурированная базовая сверточная нейронная сеть Densenet-201 представляет собой свернутую нейронную сеть из 201 слоя, которая получает изображение и выводит вероятность специального состояния с тепловой картой, локализующей области изображения, наиболее показательные для специального состояния [89, 90]. Обучение сети происходило на наборе снимков SIMBA, который включает в себя 20000 документированных изображений, содержащих детальную информацию о каждом из них, в том числе описание специального состояния с указанием его особенностей на изображении [68]. Использовались методы глубокого обучения и пакетной нормализации для оптимизации, разрабатываемой сверочной нейронной сети.

Модифицированный алгоритм был протестирован в условиях изображений компьютерного томографа. Обучение проводилось на обработанных изображениях разрешением 224x224 пикселей. Объем обучающей выборки составил 15000 изображений от 50 объектов.

Разработанный модифицированный алгоритм идентификации состояний объектов мониторинга отличается скользящим процессом сканирования сверточной карты дельт с измененными краевыми эффектами и обеспечивающий передачу информации в следующий слой путем объединения соответствующих признаков на основе операции объединения.

Третья глава посвящена особенностям разработки большой базы знаний в составе подсистемы идентификации особых состояний.

Знания о специальном объекте мониторинга предлагается систематизировать в виде продукционной базы знаний. В качестве основной СУБД, которая

использовалась при создании распределенной информационной системы, выбрана Oracle Database 11g Express Edition Release 2. Для построения правил представленной структуры использовался математический аппарат нечетких множеств. Каждой координате представлена лингвистическая переменная с характерным термином, например, «большой», «средний», ... «маленький», «очень маленький».

В рамках рассматриваемого подхода была разработана система управления базой данных, на основе которой имеется возможность оперативно диагностировать специальные состояния.

ориентированной базы знаний приведены на рисунке 6.

Информационная система позволяет массово вводить данные о специальных объектах с помощью CSV файлов, а также производить массовую за-грузку снимков КТ в программный комплекс в формате DICOM.

Таким образом, предложена база знаний в составе подсистемы идентификации состояний объектов мониторинга, отличающаяся реализацией интеллектуальных средств, обеспечивающих процессы саморазвития соответствующих баз данных.

В работе также представлен алгоритм идентификации состояний специальных объектов на основе массива мониторинговых данных. В результате решения задачи идентификации, обеспечивается соотнесении объекта, заданного вектором информативных признаков в формате результатов анализов, к одному из классов: «Высокая степень соответствия», «Средняя степень соответствия», «Низкая степень соответствия» с последующим логическим выводом: «Необходимо воздействие с помощью специальных средств» или «Воздействие с помощью специальных средств не требуется». Данную задачу предлагается реализовать на основе нейронечетких моделей, относящихся к классу гибридных систем, построение которых осуществляется на базе нечеткой логики, нейронных сетей и генетического алгоритма. Для ее

обучения необходимо учитывать большое количество параметров и накопительный объем информации, что приводит к усложнению построения модели.

Разработанная нейронечеткая сеть ANFIS имеет пять слоев. Ее обучение осуществляется методом обратного распространения ошибки.

Таким образом, разработан алгоритм массовой обработки данных снимков компьютерного томографа, отличающийся применением гибридных систем на базе нечеткой логики, нейронных сетей и генетического алгоритма и обеспечивающий квазипараллельную обработку информации для ускорения решения задачи.

Для анализа информативности процесса диагностики в необходимости воздействия произведен ROC-анализ. Он отражает взаимную зависимость ложнополо-жительных и истинно положительных результатов. Показатель площади под ROC-кривой (рабочая характеристика приёмника) АиС (от англ. Агеаи^егСш^е) равен 0,907, что соответствует высокому качеству модели.

В результате предложена эффективная модель идентификации, качество которой подтверждается лучшим на сегодняшний день методом оценки диагностических тестов: ROC-кривой и оценкой площади под ней AUC.

В четвертой главе представлена структура комплекса идентификации специальных состояний на базе компьютерных изображений.

На основе предложенных в работе алгоритмов и моделей разработан программный комплекс идентификации специальных состояний на основе базы знаний.

Отличительной особенностью комплекса является возможность массовой идентификации компьютерных изображений с элементами параллелизма для повышения скорости и качества идентификации специальных состояний.

Разработанный программный комплекс позволяет повысить качество идентификации специальных состояний на основе оперативной обработки компьютерных изображений, а также проводить массовый мониторинг специальных состояний на

исследуемой территории, обеспечивая высокую эффективность превентивных мер. Реализация оперативного анализа компьютерных изображений также позволяет априори осуществить оценку качества реализуемых решений по идентификации специальных состояний. Высокая эффективность программного комплекса (качество идентификации в среднем повышается на 11%) достигается за счет того, что модуль обработки снимков КТ на основе сверточной нейронной сети имеет возможность самообучаться в процессе решения практических задач, расширяя автоматически базу знаний результатами полученных выводов и решений.

ГЛАВА 1 АНАЛИЗ СОВРЕМЕННЫХ ПОДХОДОВ К ИДЕНТИФИКАЦИИ СПЕЦИАЛЬНЫХ СОСТОЯНИЙ ОБЪЕКТОВ МОНИТОРИНГА НА БАЗЕ ПРОГРАММНО-АППАРАТНЫХ КОМПЛЕКСОВ

1.1 Проблематика процессов идентификации специальных состояний объектов в условиях неопределенности

Современные средства идентификации объектов мониторинга отличаются рядом высокотехнологичных методов, благодаря которым становится возможным проведение точных исследований в области определения состояний [1]. Так в области медицины главной задачей любого диагностического исследования является определение количественной взаимосвязи между набором выявленных признаков (анализов, симптомов заболевания, лучевых исследований) и определенной нозологической единицей, иными словами, выявление информативности каждого признака, а также количество возможных комбинаций для определенного заболевания или патологического процесса [2].

Следует отметить, что существуют несколько направлений диагностики заболеваний. Так, существует множество научных работ, основанных на результатах лабораторных исследований и посвященных дифференциальной диагностики заболеваний, а также новым методам их лечения [3].

Другим направлением исследований является ультразвуковое исследование -это современный и безболезненный метод выявления состояния и патологии внутренних органов.

Также закрепившимся методом первичной диагностики патологических изменений легких является рентгенологическое исследование (рентгенография, флюорография, продольная томография) [125].

Однако не смотря на повышение качества и точности рентгенологического оборудования, а также на разработку новых методологических подходов дифференциальной диагностики легких, количество ошибок в определении природы заболеваний составляет от 15 до 30 % (Алексеева Т.Р., с соавт.,1995; Варнавская Т.В., Чеберяк В.Л., 1991; Соколов В.А., с соавт.,1996; Armstrong Р., 1995; Gоriсh J., Et=al1990).

Однако рентгенологическая диагностика легких находится на пределе своего развития. Новый метод исследования - компьютерная томография в разы превосходит рентгенологическое исследование по объему и качеству получаемой диагностируемой информации (Позмогов А.И., с соавт.,1992; Портной Л.М. с соавт., 1995; Khan A., et al. 1985; Kim J., et al. 1999).

Отсутствие суммационного эффекта, высокая структурная и тканевая проработка изображения при этом методе исследования дают возможность точнее определить локализацию патологического образования, его размеры и плотность, взаимоотношение с окружающими органами и тканями. В свою очередь, это позволяет определить еще на раннем этапе заболевания, является ли выявленное образование злокачественным. Данный признак в ходе рентгенологического исследования распознать крайне трудно.

Точность компьютерной томографии в дифференциальной диагностике образований легких составляет от 92 до 98% [5,6]. Однако при компьютерной томографии при малых размерах очага образования (менее 3 см) вызывает затруднение разграничение таких заболеваний, как туберкулеза и рака, полостной форма рака и абсцесса, хондрогамартомы, солитарного метастаза, туберкуломы и рака.

Несмотря на этот недостаток, анализ литературы показал, что диагностические возможности компьютерной томографии далеко не исчерпаны,

имеют ряд преимуществ и являются перспективным направлением исследования заболеваний легких.

Применение автоматизированных систем дает возможность решать различные задачи: от выявления незначительных хронических или острых патологий до мультипараметрического анализа изучаемого объекта [7].

Существующие в настоящее время информационные комплексы автоматизированной диагностики легочных заболеваний оказываются, в большинстве случаев, недостаточными эффективными в практическом применении [9, 10].

Исследования отечественных и зарубежных ученых в областях, связанных с анализом и обработкой информации, а также с управлением сверхсложными объектами, подтверждают необходимость разработки интеллектуальных проблемно-ориентированных систем, обеспечивающих эффективную поддержку принятия решений при высоком уровне влияющих факторов [11, 12].

Таким образом, можно сделать вывод о том, что изучение возможностей повышения эффективности дифференциальной диагностики легких на ранних этапах с использованием программно-аппаратных комплексов является актуальным и чрезвычайно перспективным направлением научного поиска.

Достоверная диагностика заболеваний легких необходима для постановки точного диагноза и назначения врачем дальнейшего верного лечения. Эта диагностика включает в себя ряд специфических инструментальных способов обследования органов дыхания.

Список литературы диссертационного исследования кандидат наук Васильченко Владислав Алексеевич, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Айламазян, А.К. Данные, документы и архитектура медицинских информационных систем [Текст] / А. К. Айламазян, Я. И. Гулиев // Тез. докл. Международного форума «Информатизация процессов охраны здоровья населения - 2001», 2001. - а 141-142.

2. Васильченко, В. А. Структура экспертной системы оперативной диагностики и лечения заболеваний легких [Текст] / В. А. Васильченко, В. Л. Бурковский // Вестник воронежского государственного технического университета, 2016. - Том 12.- № 1. - С. 28-31.

3. Воротынцева, Н. С. Рентгенопульмонология: стратегия и тактика получения и анализа рентгеновского изображения в пульмонологии [Текст] : учеб. пособие / Н. С. Воротынцева, С. С. Гольев. - Москва : МИА, 2009. - 280 с. : ил.

4. Власов, П. В. Лучевая диагностика заболеваний органов грудной полости [Текст] / П. В. Власов ; под общ. ред. Г. Г. Кармазановского. - Москва : ВИДАР, 2008. - 376 с. : ил. - (Классическая рентгенология)

5. Прокоп М. Спиральная и многослойная компьютерная томография: пер. с англ. В 2т. Т.2/ М. Прокоп, М. Галански; пер. под ред. А.В. Зубарева, Ш.Ш. Шотемора. - М.: Медпресс-информ, 2007. - 710.00 с.: ил. - Библиогр.: с. 635-694

6. Совмещенная позитронно- эмиссионная и компьютерная томография (ПЭТ-КТ) в онкологии/ Г.Е. Труфанов, В.В. Рязанов, Н.И. Дергунова и др. - СПб.: Элби-СПб, 2005. - 124 с.: ил.. - Библиогр.: с. 121-124

7. Губин, И.М. Разработка и внедрение новой автоматизированной информационной системы ЦКБ [Текст] / И.М. Губин и др. // Кремлевская медицина. Клинический вестник. - 2000. - № 4. - С. 51-54.

8. А.Г.Гужва, С.А.Доленко, И.Г.Персианцев, Ю.С.Шугай. Сравнительный анализ методов определения существенности входных переменных при нейросетевом моделировании: методика сравнения и её применение к известным задачам реального мира. Нейроинформатика-2008. X Всероссийская научно-техническая конференция. Сборник научных трудов, ч.2, с.216-225. М., МИФИ, 2008.

9. Васильченко, В. А. Анализ и выбор структуры объектно-реляционной СУБД медицинской информационной системы [Текст] / В. А. Васильченко, В. Л. Бурковский // Вестник воронежского государственного технического университета, 2015. - Том 3.- № 3. - С. 57-59.

10. Дуданов, И.П. Создание "паспорта здоровья" больных с сердечнососудистыми заболеваниями с использования информационной системы [Текст] / И.П. Дуданов и др. // Медицинский академический журнал. - 2003. - Том 3. - № 3. - С. 125-133.

11. Мистюков, Б. В. Нейросетевое моделирование динамики нелинейных систем [Текст] / Б. В. Мистюков, В. Л. Бурковский // Вестник воронежского государственного технического университета, 2012. - Том 3.- № 12-1. - С. 51-56.

12. Максимова, Е. И. Алгоритм обнаружения образований в легких человека на снимках компьютерного томографа с использованием искусственной нейронной сети [Текст] / Е. И. Максимова, П. А. Хаустов // Фундаментальные исследования, 2016. - № 4 (часть 2). - С. 290-294.

13. Александрова А.В. "Рентгенологическая диагностика туберкулеза органов дыхания". - М., 1983.

14. Тюрин И.Е., Нейштадт A.C., Черемисин В.М. «Компьютерная томография при туберкулезе дыхания» пособие для врачей, Санкт-Петербург, «Корона принт», 1998,235 с.

15. Соколов Ю.Н., Розенштраух Л.С. Бронхография. - М.,Медгиз, 1958. -

172 с.

16. Терновой С.К., Снницын В.Е. Спиральная компьютерная и электроннолучевая ангиография, М.:Вндар, 1998, - 144 с.

17. Зубарев A.B. Методы медицинской визуализации - УЗИ, КТ, МРТ - в диагностике опухолей и кист печени. Москва, 1995, 110 с.

18. Котляров П.М., Темирханов З. С., Щербахина Е. B. Мультипланарные реконструкции и виртуальная бронхоскопия в оценке состояния трахео -бронхиальной системы по данным мультисрезовой компьютерной томографии. Лучевая диагностика и терапия. 2011. Т. 2. № 2. С. 50-55.

19. Гистология, цитология и эмбриология. Атлас: учебное пособие. О.В. Волкова, Ю.К. Елецкий, Т.К. Дубова и др. Под ред. О.В. Волковой. - М.: Медицина, 1996.

20. Ежов A.A., Чечеткин В.Н. Нейронные сети в медицине // Открытые системы. - 2007. - № 4. - С. 34-37.

21. Тархов ДА. Нейронные сети. Модели и алгоритмы. - М. : Радиотехника, 2005. - 168 с.

22. Галушкин A.K Теория нейронных сетей. Кн. 1 / общ. ред. A.K Галушкина. - M.: ИПРЖР, 2000. - 416 с.

23. Малиноский Л.Г. Гипотезы о подпространствах в задаче дискриминантного анализа нормальных совокупностей. - В кн.: Модели. Длгоритмы. Принятие решений. М.: Наука, 1979, с. 195 - 216.

24. Дюк В. Информационные технологии в медико-биологических исследованиях / В. Дюк, В. Эмануэль. - СПб. : Питер, 2003. - 528 с.

25. MacKay D. On-line Ьоок: МЮгшайоп ТИеогу, Inference, and Learning A^rührns. — 2005

26. Witten I.H., Frank E. Data Mining: Practical Machine Learning ТооЬ and Techniques (Serand Editon). — Мо^п Kaufmann, 2005 ISBN 0-12-088407-0

27. И.Г.Перстанцев. Адаптивное построение иерархичестих нейроcетевых cиcтем для клаccификации и для cегментации временных рядов. Научная cеccия НИЯУ МИФИ-2010. XII Вcероccийcкая научно-техничеcкая конференция «Нейроинформатика-2010»: Лекции по нейроинформатике. М., НИЯУ МИФИ, 2010, c.212-242.

28. Спирячин, А. А. Анализ эффективноcти иcпользования метода нечеткой квалификации и генитичеcких алгоритмов в интеллекутальной cиcтеме поддержки принятия врачебных решений [Текст] / А. А. Спирячин, В. Л. Бурковстий, А. П. Воропаев // Вестник воронежского гоcударcтвенного техничестого универcитета, 2015. - Том 11.- № 2. - С. 45-48.

29. Половников В. С. О нелинейной cложноcти нейронных cхем МакKаллока-Питтcа // Интеллектуальные стстемы. — 2007. Т. 11, вып. 1-4. — С. 261-275.

30. Половников В. С. О некоторых характеристиках нейронных cхем // Интеллектуальные стстемы. — 2004. Т. 8, вып. 1-4. — С. 121-145

31. А.И.Галушкин. Нейронные cети. Остовы теории. М., Горячая линия -Телеком, 2010.

32. В.А.Головко. От многостойных перcептронов к нейронным cетям глубокого доверия: парадигмы обучения и применение. В c6.: Нейроинформатика-

2015. XVII Всероссийская научно-техническая конференция с международным участием. Лекции по нейроинформатике, с.47-84. НИЯУ МИФИ, 2015

33. L.A.Gatys, A.S.Eсker, M.Bethge. A Neural A^hthm оf Artistiс Style. http://arxiv.оrg/abs/1508.06576v1

34. A.Mоrdvintsev, C.Olah, M.Tyka. Inсeptiоnism: Gоing Deeper intо Neural Netwоrks. Gооgle Researсh Blоg, June 17, 2015. http://gооgleresearсh.blоgspоt.ru/2015/06/inсeptiоnism-gоing-deeper-intо-neural.html

35. Miсrоsоft Cоrpоratiоn. Принципы проектирования и разработки программного обеспечения. Учебный курс MCSD [Текст]: / Miсrоsоft ^фот^о^ пер. с англ. - М.: Русская Редакция, 2002. - 736 с

36. Орлик, С. Обзор спецификации JDBC - Системы управления базами данных [Текст] : [Электронный ресурс] / С. Орлик. - Режим доступа: Wоrl Wide Web. URL: http://ww.оsp.ru/dbms/1997/03/2Шm.

37. Кузнецов, С.Д. Концептуальное проектирование реляционных баз данных с использованием языка UML [Текст] : [Электронный ресурс] / С.Д. Кузнецов - Режим доступа: Wоrl Wide Web. URL: http://www.titfomm.ru/ database/artides/umlbases.shtml

38. Нариньяни А.С., Яхно Т.М. Продукционные системы //Представление знаний в человеко-машинных и робототехнических системах/Ред. Д.А. Поспелов. ВЦ АН СССР. ВИНИТИ, 1984. Том А. С. 136-177.

39. Takagi T., Suge^ M. Fuzzy Identifiсatiоn оf Systems and Its Appl^t^s to Mоdeling and ^Html // IEEE Trans. оп Systems, Man, and Cybernetiсs. Vоl. 15, № 1. -1985. - P. 116 - 132.

40. Yager R., Filev D. Essentials оf Fuzzy Mоdeling and Cоntrоl. USA: Jоhn Wiley & Sоns. - 1984. - 387p.

41. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. М.: Наука., 1989. 328 с

42. Ожерельева Т.А. Сложность информационных ресурсов // Современные наукоемкие технологии. 2014. № 4. С. 80-85.

43. Цветков В.Я. Дескриптивные и прескриптивные информационные модели // Дистанционное и виртуальное обучение. 2015. №7. С. 48-54.

44. Ожерельева Т. А. Ресурсные информационные модели // Перспективы науки и образования. 2015. № 1. С. 39-44.

45. Искусственный интеллект. В 3-х кн. Кн.2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990. 340 с.

46. Tsvet^v V. Ya. ^formatton Сош1тис1:юш // European 1оигпа1 оf Te^mtogy and Design, 2014, Vо1.(5), № 3. pp. 147-152

47. Цветков В.Я. Информационные модели объектов, процессов и ситуаций // Дистанционное и виртуальное обучение. 2014. № 5. С. 4-11.

48. Tsvetkоv V.Ya. ^format^n Units as the Elements оf Сошр1ех Models // Капо:есЬпо^у Research and Pгaсtiсe, 2014, Vo1.(1), № 1. рр. 57-64

49. АшсошЬго J. C., D^rot O. Argumentativity and informativity //From metaphys^s to rhetoric Springer Netherlands, 1989. С. 71-87

50. Экспертные системы. Принципы работы и примеры: Пер. с англ. под ред. Р. Форсайта. М.: Радио и связь, 1987. - 224 с.

51. Назаренко Г.И., Осипов Г.С. Основы теории медицинских технологических процессов. Том 1. — М.: Физматлит, 2005

52. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей. — М.: Едиториал УРСС, 2005

53. Букреев В.Г., Колесникова А.Е., Янковская А.Е. Выявление закономерностей во временных рядах в задачах распознавания состояний динамических объектов. — Томск: Изд-во Томского политехнического университета, 2010.

54. Малых В.Л., Гулиев Я.И. Прецеденты в медицинских информационных системах//Программные продукты и системы. — 2009. — № 2 (86). — С. 19-27

55. Демидова Л.А. Классификация объектов на основе мультимножеств и нечеткой кластеризации // Известия ТРТУ. Таганрог, 2006. - № 15 (70). - С. 72-79.

56. Демидова Л.А., Коняева Е.И. Кластеризация объектов с использованием БСМ-алгоритма на основе нечетких множеств второго типа и генетического алгоритма // Вестник РГРТУ. Рязань, 2008. - № 4 (выпуск 26). - С. 46-54.

57. White^m, Mark. Is Gartner's Mag^ Quadrant really mag^? // The Register. — 2007. — №. March, 31.

58. Беликова Т. П. Моделирование линейных фильтров для обработки рентгеновских изображений в задачах медицинской диагностики // Цифровая оптика. Обработка изображений и полей в экспериментальных исследованиях / Под ред. В.И. Сифорова и Л.П. Ярославского. - М.: Наука, 1990. - 176 с

59. Гонсалес, Р. Цифровая обработка изображений: пер. с англ. /Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2005. - 1070 с.

60. Pranav Rajpurkar. CheXNet: Radiоlоgist-Level Pneumоnia Deteсtiоn оп Chest X-Rays with Deep Learning. 2017

61. WHO. Standardizatton оf interpretatiоn оf ^est radiоgraphs for the diag^sis оf pneumоnia in сhildren. 2001

62. Franquet, T. Imaging оf pneumоnia: trends and algоrithms. European Respiratory Jоurnal, 18(1):196- 208, 2001

63. Cherian, Thomas, Mulholland, E Kim, Carlin, John B, Ostensen, Harald, Amin, Ruhul, Campo, Margaret de, Greenberg, David, Lagos, Rosanna, Lucero, Marilla, Madhi, Shabir A, et al. Standardized interpretation of paediatric chest radiographs for the diagnosis of pneumonia in epidemiological studies. Bulletin of the World Health Organization, 83(5):353-359, 2005

64. Wang, Xiaosong, Peng, Yifan, Lu, Le, Lu, Zhiyong, Bagheri, Mohammadhadi, and Summers, Ronald M. Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. arXiv preprint arXiv: 1705.02315, 2017.

65. Huang, Gao, Liu, Zhuang, Weinberger, Kilian Q, and van der Maaten, Laurens. Densely connected convolutional networks. arXiv preprint arXiv:1608.06993, 2016

66. Ioffe, Sergey and Szegedy, Christian. Batch normalization: Accelerating deep network training by reducing internal covariate shift. In International Conference on Machine Learning, pp. 448-456, 2015.

67. http://datareview.info/article/luchshaya-metrika-dlya-ocenki-tochnosti-klassifikacionnyx-modelej/

68. Neuman, Mark I, Lee, Edward Y, Bixby, Sarah, Diperna, Stephanie, Hellinger, Jeffrey, Markowitz, Richard, Servaes, Sabah, Monuteaux, Michael C, and Shah, Samir S. Variability in the interpretation of chest radiographs for the diagnosis of pneumonia in children. Journal of hospital medicine, 7(4): 294-298, 2012.

69. Deng, Jia, Dong, Wei, Socher, Richard, Li, Li-Jia, Li, Kai, and Fei-Fei, Li. Imagenet: A large-scale hierarchical image database. In Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on, pp. 248-255. IEEE, 2009.

70. Kingma, Diederik and Ba, Jimmy. Adam: A method for sto^ast^ optimization. arXiv preprint arXiv:1412.6980, 2014.

71. Raoof, Suhail, Feigin, David, Sung, Arthur, Raoof, Sabiha, Irugulpati, Lavanya, and Rosenow, Edward C. Interpretation of plain ^est roentgenogram. CHEST Journal, 141(2):545-558, 2012.

72. Berbaum, K, Franken Jr, EA, and Smith, WL. The effert of сoшpaгison films upon resident interpretation of pediatry ^est radiographs. Investigative radiology, 20(2):124-128, 1985.

73. Potehen, EJ, Gard, JW, Lazar, P, Lahaie, P, and Andary, M. Effert of dm^al history data on сhest film interpretation-direction or distгaсtion. In Investigative Radiology, volume 14, pp. 404-404, 1979.

74. Yao, Li, Poblenz, Eri^ Dagunts, Dmitry, Covington, Ben, Bernard, Devon, and Lyman, Kevin. Learning to diagnose from s^ateh by exploiting dependenties among labels. arXiv preprint arXiv: 1710.10501, 2017.

75. Zhou, Bolei, Khosla, Aditya, Lapedriza, Agata, Oliva, Aude, and Torralba, Antonio. Learning deep features for disaimmative 1oca1ization. In Pгoceedings of the IEEE Confere^e on Computer Vision and Pattern Re^g^^on, pp. 2921-2929, 2016.

76. Gulshan, Varun, Peng, Lily, Coram, Marc, Stumpe, Martin C, Wu, Derek, Narayanaswamy, Arunacha1am, Venugopalan, Subhashini, Widner, Kasumi, Madams, Tom, Cuadros, Jorge, et al. Development and validation of a deep learning algorithm for detedion of diabet^ retinopathy in retinal fundus photographs. Jama, 316(22):2402-2410, 2016. Hopstaken, RM, Witbraad, T, Van Engelshoven

77. Гусев Л.А, Хуторская О.Е. Об одной оценке эффективности машинной диагностики двигательных нарушений // Автоматика и телемеханика. — 2003. — № 12. — С. 112—121.

78. Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней : руководство для врачей / Л.Р.Зенков, М.А.Ронкин. - 5е изд. - М. : МЕДпрессинформ, 2013. - 488 с. : ил.

79. Безруков Н.С., Ермакова Е.В. Прогнозирование бронхиальной астмы по параметрам реоэнцефалографии на основе гибридной сети. Математические методы в технике и технологиях — ММТТ-19. — Воронеж, Воронеж. гос. технол. акад., 2006. — Т. 7. — С. 211—214.

80. Перельман Ю.М., Приходько А.Г. Диагностика холодовой гиперреактивности дыхательных путей. — Благовещенск: ГУ ДНЦ ФПД СО РАМН, 2004. — 10 с

81. Безруков Н.С., Еремин Е.Л. Построение и моделирование адаптивной нейро-нечеткой системы в задачах медицинской диагностики // Информатика и системы управления. — 2005. — № 2 (10). — С. 36—46.

82. Басов К. Графический интерфейс комплекса ANSYS; Книга по Требованию - Москва, 2006. - 239 с.

83. Nardi D., БгасИшап J. An 1п1гоёис1:юп to ВеБспрйоп ^g^s [Электронный ресурс] = Введение в дескриптивную логику. - Электронный документ - Режим доступа: http://www.inf. unibz.it/~franсоni/dl/соurse/dlhb/dlhb-01.pdf. - Загл. с экрана.

84. Brahman R., Sefridge P. K^wledge representatton suppоrt for data arсheоlоgy // Intelligent and Cооperative Infоrmatiоn Systems. - 1993. - № 2. - P. 159186

85. Baader F., Nutt. W. Bas^ desaiptton tog^s [Электронный ресурс] = Основы дескриптивной логики - Электронный документ - Режим доступа: http://www.inf.unibz.it/~frаnсоni/dl/соur se/dlhb/dlhb02.pdf. - Загл. с экрана

86. Burrascano, P. Learning Vector Quantization for the Probabilistic Neural Network. IEEE Trans. on Neural Networks, July 1991, 2, 458-461.

87. Spieler, H., Hartmann, U. Mapping neural network derived from the parzen window estimator. Neural Networks, 1992, V.5, pp.903-909.

88. Specht, D. The General Regression Neural Network - Rediscovered. Neural Networks, 1993, V.6, pp.1033-1034.

89. Caudill, M. The Kohonen Model. Neural Network Primer. AI Expert, 1990, 25-31.

90. PTavan, H.Grubmuller, H.Kuhnel. Self-organization of assotiative memory and pattern classification: recurrent signal pгocessing on topological feature maps. Biological Cybernetics, 64 (1990), pp.95-105.

91. Методы дискриминантного анализа [Электронный ресурс]. - Режим доступа: http://mirznanii.com/a/264966/metody-diskriminantnogo-ana1iza (дата обращения 06.01.2018).

92. Основы дискриминантного анализ [Электронный ресурс]. - Режим доступа: http://masters.donntu.org/2005/kita/kapustina/1ibrary/discr_an.htm (дата обращения 06.01.2018).

93. Факторный, дискриминантный и кластерный анализ: Пер. с англ./Дж.-Он Ким, Ч.У.Мьюллер и др. - М.: Финансы и статистика. - 1989. - 215 с.

94. Сергеев, В.А. Рентгеновская компьютерная мультиспиральная томография сердца / В. А. Сергеев. - М.: ГЭОТАР-Медиа, 2009. - 96 с.

95. Силантьева, Н.К. Компьютерная томография в онкопроктологии / Н.К. Силантьева и др. - М.: Медицина, 2007. - 144 с.

96. Труфанов, Г.Е. Рентгеновская компьютерная томография в диагностике хронической обструктивной болезни легких / Г.Е. Труфанов и др. - СПб.: Элби, 2009. - 125 с

97. Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр. : Пер. с англ. -- М. : ООО "И.Д. Вильямс", 2006. — 1104 с.

98. Портал искусственного интеллекта. - 2009. - Режим доступа: свободный. Заголовок с экрана: Шр://№№^а1ро11а1.ги/ агйс1ев/пеига1-пе1,^гк8 (Дата обращения: 23.06.2014).

99. Шандаров Е.С. Программирование LEGO Mindstorms NXT на языке NXC. - Т.: ТМЦДО. 2012. - 44 с.

100. Денисенко В. ПИД - регуляторы: принципы построения и модификации. - СТА №1. 2007. 78 - 88 с.

101. Васенков Д.В. Методы обучения искусственных нейронных сетей. Компьютерные инструменты в образовании. — СПб.: Изд-во ЦПО "Информатизация образования", 2007, №1, С. 20-29.

102. Маслобоев Ю.П. Введение в Neural Net^^rk Тоо1Ьох. [Электронный ресурс]. МайаЬ.ЕхропеП:а - 2001. - Режим доступа: свободный. Заголовок с экрана: http://mat1ab.expоnenta.ru/neura1netwоrk/ (дата обращения 21.06.2014).

103. Гаскаров Д.Б. Интеллектуальные информационные системы. - М.: Высшая школа, 2005.

104. Долин Г. Что такое ЭС. - М.: Компьютер Пресс, 2008.

105. Острейковский В. А. Информатика. - М.: Высшая школа, 2007.

106. Структура экспертной системы // http://www.aipоrta1.ru/artiс1es/expert-systems/struсture.htm1 [12.11.2010].

107. Убейко В.Н. Экспертные системы.- М.: МАИ, 2005.

108. Методы и средства преобразования информации; Рига: Зинатне -Москва, 2014. - 136 с.

109. Букатова, И.Л. Эволюционное моделирование: идеи, основы теории, приложения; Знание - Москва, 2013. - 665с.

110. Кандрашина, Е.Ю.; Литвинцева, Л.В.; Поспелов, Д.А. Представление знаний о времени и пространстве в интеллектуальных системах; наука -Москва, 2012. - 328 с.

111. Ковалев, Андрей Microsoft Dynamics CRM: первые шаги; М.: ЭКОМ -Москва, 2009. - 232 с.

112. Лорьер, Ж.-Л. Системы искусственного интеллекта; Мир -Москва, 2015. - 568 с.

113. Любарский, Ю.Я. Интеллектуальные информационные системы; наука

- Москва, 2013. - 228 с.

114. Матэ, Залка Добердо; СПб: Художественная литература - Москва, 2015.

- 280 с.

115. Микони, С.В. Общие диагностические базы знаний вычислительных систем; СПб: Институт информатики и автоматизации РАН - Москва, 2010. - 234 с.

116. Айламазян А.К., Гулиев Я.И. Разработка информационных систем лечебно-профилактических учреждений: проблемы и решения // Тез. докл. Международного форума «Информатизация процессов охраны здоровья населения

- 2000».- М., 2000.

117. Айламазян А.К., Гулиев Я.И., Комаров С.И., Малых В.Л., Морозов В.Ю. Информационные системы в медицине: проблемы и решения // Программные системы: Теоретические основы и приложения / Под ред. А. К. Айламазяна. - М.: Наука. Физматлит, 1999. - С. 162-168.

118. Белышев Д.В., Гулиев Я.И., Назаренко Г.И., Полубенцева Е.И., Хаткевич М.И. Опыт разработки и внедрения информационной системы поликлиники в контексте построения единого информационного пространства комплексного медицинского центра // Тр. междунар. конф. «Программные системы: теория и приложения», ИПС РАН, Переславль-Залесский, май 2004: В 2 т. / Под ред. С.М. Абрамова. - М.: Физматлит, 2004. - Т. 2. - С. 83-102.

119. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов (2-е издание, +CD). - СПб.: Питер, 2003. - 688 с.: ил.

120. Венедиктов Д.Д., Григорьев А.И., Казанов В.А., Кобринский Б.А., Крейнес М.Г., Леванов В.М., Логинов В.А., Тимин Е.Н., Шафранский И.Л., Шифрин М.А. Телемедицинские технологии в здравоохранении России (Обзорная справка). 2002. - http://www. telemed.ru/whatis/laws/gdsprav.html

121. А.А. Романюха Математические модели в иммунологии и эпидемиологии инфекционных заболеваний / А.А. Романюха. - М.: Бином. Лаборатория знаний, ЛКИ, 2015. - 296 с.

122. Бобровский, Стив Orade Database XE для Windоws. Эффективное использование (+CD) / Стив Бобровский. - М.: ЛОРИ, 2009. - 512 с.

123. Браун, Брэдли Orade Database. Создание Web-приложений / Брэдли Браун , Ричард Дж. Ниемик, Джозеф С. Треззо. - М.: ЛОРИ, 2010. - 722 с.

124. Бурлесон, Дональд К. Настольная книга по администрированию ORACLE Appl^ton Server / Бурлесон Дональд К.. - М.: ЛОРИ, 2012. - 921 с.

125. Zingerman B.V., Emelin I.V., Lebedev G.S. Problems оf definitiоn оf key terms оf medial infоrmatiсs. // Infoi'matton teсhnоlоgies in medidne. 2009-2010. Themata research ^lled^n. M^sraw: Radw Engineering, 2010. Pp. 20-33. (in Russian)

126. Методика формирования баз данных [Эпектронный ресурс] URL: h tt p://www. bu dgetrf. ru/Р u Ы iсatiоns/M agazi n e s/Vesm i kS F/ 2006/vestniksf289-1 /vestniksf289-1090.htm.

127. 4. Туманов В.Е., Маклаков С.В. Проектирование реляционных хранилищ данных. - М,: Диапог-МИФИ, 2007. - 333 с.

128. 5. Бойко В.В., Савинков В.М. Проектирование баз данных информационных систем. - М.: Финансы и статистика, 1989. - 351 с.

129. 6. Дейт, К. Дж. Введение в системы баз данных. 8-е издание. Москва Спб., Киев: Вильяме, 2005, 1327 с.

130. /Иеиер М. Теория реляционных баз данных. - М.: Мир, 1987. - 608 с.

131. Григорьев /O.A., Матюхин 6.Г. Оценка времени выполнения спожного sql-запроса в субд ms sql server It Организация баз данных 2004. №2(8). - С. 3-11.

132. Абдуманонов A.A., Карабаев М.К., Махмудов Н.И. Об интеллектуализации медицинских информационных систем II Научно-практический журнал «Современная наука: актуапьные проблемы теории и практики» Серия «естественные и технические науки» № 9-10, 2013, Воронеж. -С.60-64

133. Гусев A.B., Романов ФА, Драное И.П., Воронин A.B. Медицинские информационные системы: Монография / Петрозаводск: Издательство, ПетрГУ, 2005. - 404 с.

134. Васильченко, В.А. Структура экспертной системы оперативной диагностики и лечения заболеваний легких / В.А. Васильченко, В.Л. Бурковский, // Вестник Воронежского государственного технического университета. - 2016. - Т.12. - №1. - С.28-31

135. Васильченко, В.А. Анализ и выбор структуры объектно-реляционной субд медицинской информационной системы / В.А. Васильченко, В.Л. Бурковский, // Вестник Воронежского государственного технического университета. - 2015. -Т.11. - №3. - С.57-60

136. Васильченко, В.А. Повышение качества диагностики заболеваний легких на основе нейросетевого анализа данных компьютерного томографа / В.А. Васильченко, В.Л. Бурковский, А.Е. Хвостикова, Н.Э. Костина // Системный анализ и управление в биомедицинских системах. - 2016. - Т.15. - №4 - С.633-637

137. В.А. Васильченко. Распознавание пульмонологических заболеваний на основе алгоритмов цифровой обработки результатов компьютерной томографии / В.А. Васильченко, В.Л. Бурковский // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации (РАСПОЗНАВАНИЕ — 2018): материалы XIV международной научно-технической конференции. С. 69-72

138. В.А. Васильченко. Повышение качества диагностики заболеваний легких на основе нейросетевого анализа данных компьютерного томографа / В.А. Васильченко, В.Л. Бурковский // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации (РАСПОЗНАВАНИЕ — 2017): материалы XIII международной научно-технической конференции. С. 95-97

139. В.А. Васильченко. Использование аппарата нейронных сетей для диагностики образований в легких человека на основе снимков компьютерного томографа / В.А. Васильченко, В.Л. Бурковский // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2016): материалы IV международной конференции. С. 63-66

140. В.А. Васильченко. Программный модуль распознавания патологий легких в рамках мультиспирального копмьютерного томографа / В.А. Васильченко,

B.Л. Бурковский // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2017): материалы X международной конференции. С. 92-95

141. В.А. Васильченко. Распознавание патологических зон легочных заболеваний на основе данных компьютерного томографа/ В.А. Васильченко, В.Л. Бурковский // Новые технологии в научных исследованиях, проектировании, управлении, производстве (НТ-2017): материалы XI международной конференции.

C. 110-113

142. A data mining system for providing analytical information on brain tumors to public health decision makers / R. S. Santos, S. M. F. Malheiros, S. Cavalheiro, J. M. De Oliveira // Computer methods and programs in biomedicine. 2013. V. 109. № 3. P. 269282

143. Fox G. C., Furmanski W. PETAOPS and EXAOPS: Supercomputing on the web // Internet Computing, IEEE. 1997. V. 1. № 2. P. 38-46.

144. Foster I., Maguire T., Snelling D. Ogsa wsrf basic profile 1.0. 2014. http: //www. ogf. org/documents/GFD. 72. pdf

145. Data analysis services in the knowledge grid / Eugenio Cesario, Antonio Congiusta, Domenico Talia, Paolo Trunfio // Data Mining Techniques in Grid Computing Environments. 2008. P. 17-36.

146. Foster I., Maguire T., Snelling D. Ogsa wsrf basic profile 1.0. 2014. http: //www. ogf. org/documents/GFD. 72. pdf

147. SOAP Specifications — World Wide Web Consortium. 2014 (окт.). http: //www. w3. org/TR/soap/

148. Gtobus tооlkit. 2014 (окт.). http://tооlkit.glоbus.оrg/tооlkit/.

149. UNICORE — Distributed ramputing and data resоurсes. 2014. http: //www.uniсоre.eu/.

150. Васильченко, В. А. Алгоритмизация процесса распознавания состояний физиологических объектов на основе специальных рентгеновских изображений/

B.Л. Бурковский, А.Д. Данилов // Компьютерная оптика. - 2019. - Т.43, № 2.

151. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2006. - 1072 с.

152. В.А. Васильченко. Использование аппарата нейронных сетей для диагностики легочных заболеваний/ В.А. Васильченко, В.Л. Бурковский // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2016): материалы IX международной конференции. - 2016. -

C. 66-69.

153. В.А. Васильченко. Разработка системы массового мониторинга специальных состояний. Моделирование, оптимизация и информационные технологии. / В.А. Васильченко, В.Л. Бурковский // Моделирование, оптимизация и информационные технологии. - 2020. - Т. 8. № 2.

154. В.А. Васильченко. Повышение качества и оперативности идентификации специальных состояний мониторируемых объектов на основе разработки математического и программного обеспечения обработки компьютерных изображений с использованием больших баз данных. Моделирование, оптимизация и информационные технологии. / В.А. Васильченко, В.Л. Бурковский // Моделирование, оптимизация и информационные технологии. - 2020. - Т. 8. № 2.