Методы анализа и обработки изображений видимого оптического диапазона в системах поддержки врачебных решений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Поздеев Александр Анатольевич

• Поздеев Александр Анатольевич
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Поздеев Александр Анатольевич

ОГЛАВЛЕНИЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОСНОВНЫХ ОБОЗНАЧЕНИЙ

ВВЕДЕНИЕ

1 АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ ОБРАБОТКИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ В ЭНДОСКОПИЧЕСКИХ СИСТЕМАХ

1.1 Особенности и ограничения при обработке эндоскопических изображений

1.2 Методы повышения качества эндоскопических изображений

1.2.1 Требования к методам

1.2.2 Обзор методов и алгоритмов коррекции контраста

1.3 Технологии визуализации (виртуальная хромоэндоскопия)

1.3.1 Классификация технологий хромоэндоскопии

1.3.2 Эффективность виртуальной хромоэндоскопии

1.4 Автоматический анализ эндоскопических изображений для сегментации объектов интереса

1.5 Общие выводы и постановка задачи исследования

2 МЕТОД ПОВЫШЕНИЯ КАЧЕСТВА ЭНДОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ АДАПТИВНОЙ НАСТРОЙКИ СТЕПЕНИ КОРРЕКЦИИ

2.1 Адаптивная настройка степени коррекции

2.2 Оценка детальности

2.3 Функциональная зависимость степени коррекции от оценки детальности .. 62 2.4. Методы оценки качества медицинских изображений

2.4.1 Классификация методов

2.4.2 Объективные метрики оценки качества

2.4.3 Субъективная оценка качества

2.5 Экспериментальное исследование предложенного метода

2.6 Выводы по главе

3 ТЕХНОЛОГИЯ ВИРТУАЛЬНОЙ ЭНДОСКОПИИ ДЛЯ ЭНДОСКОПИЧЕСКОЙ

СИСТЕМЫ НА ОСНОВЕ ЛОКАЛЬНОЙ НЕЛИНЕЙНОЙ ОБРАБОТКИ

3.1 Обобщенная структура метода виртуальной хромоэндоскопии

3.2 Перцептуальная метрика оценки коррекции цветового контраста

3.3 Разработка метода, реализующего эффект виртуальной хромоэндоскопии

3.4 Экспериментальное исследование метода, реализующего эффект виртуальной хромоэндоскопии

3.5 Выводы по главе

4 МЕТОД ДВУХЭТАПНОГО АНАЛИЗА ЭНДОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ

4.1 Двухэтапный подход к анализу эндоскопических изображений

4.2 Базы данных

4.3 Бинарная классификация на основе глобальных признаков

4.4 Сегментация объектов интереса с помощью сверточных нейронных

сетей

4.5 Результаты экспериментального исследования качества сегментации

4.6 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

ПРИЛОЖЕНИЕ Д

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОСНОВНЫХ ОБОЗНАЧЕНИЙ

КМОП - комплементарная структура металл-оксид-полупроводник;

ПЗС - прибор с зарядовой связью;

AFI - Autofluorescence imaging (Аутофлюоресцентная оптическая эндоскопия);

AIDANE - Adaptive and integrated neighborhood neighborhood-dependent approach for nonlinear enhancement (Метод адаптивного нелинейного контрастирования);

BLI - Blue Light Imaging (визуализация в синем свете);

BM3D - Block-matching and 3D filtering (3D фильтрация набора похожих блоков);

CDSS - Clinical Decision Support Systems (Системы поддержки принятия врачебных решений);

CIEDE2000 - The International Commission on Illumination Delta E 2000 (Формула расчета цветовой разницы, предложенная международной комиссией по освещению в 2000 году);

CNN - Convolutional neural network (сверточная нейронная сеть);

CTE - Color tone enhancement (тоновая коррекция);

FICE - Fuji Intelligent Color Enhancement («умная» цветокоррекция от компании Fuji);

LCI - Linked Color Imaging (визуализация с усилением связанных цветов);

LTSNE - Locally Tuned Sine Non-Linear Enhancement (Метод адаптивной коррекции контраста с синусоидальной функцией трансформации);

MLE - Mucosa layer enhancement (улучшение отображения слоя слизистой оболочки);

NBI - Narrow-band imaging (визуализация в узкополосном свете);

NLM - non-local means (метод / фильтр нелокального среднего);

PSJ - pairwise similarity judgement (попарная оценка сходства);

PSNR - Peak signal-to-noise ratio (пиковое отношение сигнал / шум)

RGB - способ кодирования цвета (R - red - красный, G - green - зелёный, B - blue - синий);

SNR - Signal-to-noise ratio (отношение сигнал / шум) sRGB - наиболее распространенный стандарт представления цветового спектра;

SPIES - Storz Professional Image Enhancement System (профессиональная система повышения качества изображений от компании Storz);

TSE - Tissue and surface enhancement (улучшение визуального качества отображения поверхности ткани);

WLE - white light endoscopy (эндоскопия в режиме белого света).

Введение диссертации (часть автореферата) на тему «Методы анализа и обработки изображений видимого оптического диапазона в системах поддержки врачебных решений»

ВВЕДЕНИЕ

Диссертация посвящена решению научно-технических задач, связанных с повышением эффективности диагностики и лечения в области эндоскопии с помощью разработки методов цифровой обработки и анализа эндоскопических изображений. Разрабатывается метод повышения качества представляемых врачу изображений, вводится метрика оценки цветового контраста, учитывающая особенности зрительной системы человека, разрабатывается метод цифровой обработки, обеспечивающий эффект виртуальной хромоэндоскопии, предлагается новый подход к анализу изображений с целью обнаружения и сегментации объектов интереса в условиях ограниченного объема базы для обучения.

Актуальность исследования. Одной из актуальных проблем в современном мире является старение населения, связанное с ростом продолжительности жизни и снижением рождаемости, особенно в наиболее развитых странах. Это предопределяет растущую роль медицины, одной из важнейших задач которой является профилактика заболеваний и их выявление на начальной стадии развития. Среди лидеров - онкологические заболевания. Только от рака желудка в мире ежегодно умирает более 700 000 человек [1]. Своевременное лечение резко снижает риск летального исхода: полное излечение при раке желудка I стадии наступает в 70% случаев, на III— в 26%. Раннее выявление заболеваний, в частности рака желудочно-кишечного тракта, следует рассматривать как один из важных и перспективных факторов, обеспечивающих положительный прогноз при лечении.

При проведении диагностического осмотра или лечения врачу требуется быстро и точно производить выявление и локализацию патологий и заболеваний, используя доступные технические средства. Для выявления изменений в слизистой и сосудистой структурах широко применяется эндоскопическое оборудование. Быстрое развитие технологий в области датчиков, устройств визуализации и методов диагностики обеспечивает планомерный переход от

анализа изображений врачом к широкому использованию систем поддержки принятия врачебных решений (CDSS).

CDSS могут применяться при решении различных медицинских задач [1а], таких как профилактика, скрининг, лечение, диагностика, назначение лекарств. Современные системы поддержки принятия врачебных решений предполагают интеграцию результатов диагностики, проводимой врачом, и автоматического анализа, что способствует повышению чувствительности и специфичности диагностики. Значения указанных характеристик превосходят результаты диагностики только врачом или только системой.

Внедрение CDSS в медицинскую диагностику способствует повышению эффективности осмотра, снижению количества врачебных ошибок, но они по-прежнему не полностью раскрывают свой потенциал и не могут заменить врача [2-5]. Врач принимает клинические решения, основываясь на более комплексной информации, включающей в себя полные сведения об анамнезе пациента, требования конкретного медицинского учреждения, человеческую мораль и т.д. Автоматизация такой сложной системы входных данных не может быть полностью реализована машиной [6]. Таким образом, цель CDSS, как комплексных систем - обеспечивать повышение качества и интерпретацию изображений, выдавать предупреждения, напоминания, терапевтические рекомендации, оказывая помощь врачу.

Важность эндоскопических обследований для диагностики и лечения, а также сложность решаемых ими задач определяет высокую востребованность и актуальность развития CDSS этого направления. Широкий набор возможностей обеспечивается реализацией различных модулей, в комплексе формирующих единую экспертно-консультирующую систему. Разработанная и готовая к эксплуатации CDSS должна выполнять следующие функции:

1) обеспечение ввода данных о пациенте;

2) интерпретация введенных данных системой для дальнейшего использования;

3) взаимодействие с базой данных, содержащей сведения о других пациентах, а также другую информацию, которая может быть важна при принятии решений;

4) обработка видеопотока и изображений, полученных с помощью датчика, с целью повышения их диагностической ценности (визуальный анализ);

5) обнаружение и распознавание объектов, представляющих интерес для диагностики и лечения (автоматический анализ);

6) отображение аннотаций для работы с визуальной информацией [7];

7) формирование терапевтических рекомендаций.

Обработка изображений для повышения их качества, а также обнаружение и распознавание объектов являются основополагающими и лежат в основе построения CDSS, в отличие от остальных функций, направленных на обеспечение взаимодействия врача с системой. Структура системы поддержки врачебных решений, включающая в себя основные этапы обработки сигналов приведена на рисунке 1.

Получение изображения

Входное цифровое изображение

Подготовка тканей

Подготовка пациента

например окрашивание

например инсуффляция

Подготовка изображения для анализа врачом

Повышение

качества изображения

Синтез нового изображения

Коррекция яркости и контраста

- Виртуальная хромоэндоскодия

Автоматический анализ

I

Предобработка Извлечение признаков Фильтрация признаков Классификация

\ Обучение классификатора

Рисунок 1 — Структурная схема системы поддержки врачебных решений с основными

этапами обработки визуальной информации

Реализация CDSS требует создания принципиально новых методов цифровой обработки изображений, обеспечивающих [2а, 3а]:

1. повышение качества медицинских изображений, выводящих их на принципиально новый уровень эргономичности;

2. увеличение диагностической ценности формируемых изображений;

3. автоматический анализ изображений с целью выделения значимых участков тканей для повышения чувствительности и специфичности диагностики врачом.

Цель диссертационной работы: увеличение эффективности систем поддержки принятия решений в эндоскопии путем разработки новых методов повышения качества, визуализации и автоматического анализа сигналов изображений.

Основные задачи диссертационной работы.

1. Разработка метода повышения качества эндоскопических изображений с учетом особенностей изображений и ограничений по их обработке.

2. Разработка метрики оценки цветового контраста изображения, учитывающей особенности зрительной системы человека.

3. Разработка метода цифровой обработки, обеспечивающего повышение цветового контраста медицинских изображений (эффект виртуальной хромоэндоскопии) и улучшающего эффективность их визуального анализа врачом.

4. Разработка подхода к реализации автоматического анализа медицинских изображений с целью выявления и локализации объектов интереса в условиях ограниченной по объему базы для обучения.

Предмет и объект исследования. Объектом научного исследования являются трехканальные эндоскопические изображения в видимом диапазоне, получаемые видеоэндоскопом, анализ которых позволяет врачу получить информацию о состоянии слизистых оболочек. Обеспечение качества предоставляемой врачу видео информации требует разработки новых методов

цифровой обработки эндоскопических изображений, что определяет предмет исследования.

Предметом исследования являются методы обработки изображений, повышающие общий контраст с предотвращением значительного роста шумов и сохранением мелких деталей.

Предметом исследования являются методы и алгоритмы визуализации, реализующие эффект виртуальной хромоэндоскопии за счет повышения локального цветового контраста сосудистой структуры в тканях, обеспечивая тем самым рост эргономичности изображений.

Предметом исследования являются методы автоматического анализа изображений для классификации и сегментации объектов интереса, обеспечивающие высокую эффективность, выраженную в значениях чувствительности и специфичности.

Методы исследования обусловлены особенностями подхода при разработке методов обработки и анализа медицинских изображений. В частности, для улучшения визуального восприятия изображений и разработки методов визуализации используются различные методы цифровой обработки изображений в пространственной и частотной областях, теории вероятности и математической статистики, векторная алгебра, функциональный анализ, теория регрессионного анализа и планирования эксперимента. Для решения задач автоматического анализа используются методы, характерные для систем искусственного интеллекта: методы интеллектуального анализа данных (data mining), методы теории машинного обучения и рассуждений в условиях неопределенности, методы теории распознавания образов.

Научная новизна.

1. Разработан метод повышения качества эндоскопических изображений, обеспечивающий коррекцию контраста одновременно как светлых, так и темных фрагментов изображения, и при этом уменьшающий характерный для

контрастирования рост шумовой составляющей путем адаптации степени коррекции к свойствам окрестности обрабатываемого элемента изображения.

2. Получен аналитический вид функциональной зависимости между степенью коррекции контраста и свойствами изображения.

3. Введена метрика оценки цветового контраста, учитывающая особенности зрительной системы человека и позволяющая компенсировать перцептуальную неравномерность sRGB пространства.

4. Предложен метод цифровой обработки на основе технологии адаптивного нелинейного контрастирования, в 4,7 раза повышающий цветовой контраст и обеспечивающий визуальный эффект виртуальной хромоэндоскопии, соизмеримый с технологиями i-scan (Pentax), NBI (Olympus), FICE (Fujifilm).

5. Разработан подход для выявления и локализации объектов интереса на эндоскопических изображениях, который в условиях маленькой базы данных обеспечивает увеличение точности сегментации, рассчитанной по мере Дайса, на 30% по отношению к сегментации с помощью глубокого обучения.

Практическая значимость.

1. Предложенный метод повышения качества эндоскопических изображений исключает необходимость применения процедуры шумоподавления после контрастирования, которая может приводить к потере значимых для диагностики деталей.

2. Программная реализация виртуальной хромоэндоскопии позволяет заменить оптический блок и повысить чувствительность и специфичность недорогого эндоскопического обследования до уровня систем, обеспечивающих повышение цветового контраста на аппаратном уровне (например, технология NBI от Olympus), а также дает возможность реализовать технологию виртуальной хромоэндоскопии в капсульной эндоскопии.

3. Автоматический анализ эндоскопических изображений позволяет исключить необходимость просмотра всего видеоматериала с капсульной эндоскопической камеры, минимальное время съемки которого составляет 11

часов, за счет автоматического синтеза видео длительностью в несколько раз меньше и включающего только информативную для врача последовательность кадров.

Основные положения, выносимые на защиту.

1. Адаптация степени коррекции к свойствам окрестности обрабатываемого элемента изображения позволяет повысить контраст одновременно темных и светлых участков изображения, обеспечивая в обработанном изображении отношение сигнал/шум на 30 процентов больше, чем при использовании существующих методов, таких как адаптивная гамма-коррекция, CLAHE, LTSNE.

2. Предложенная оценка цветового контраста медицинских изображений видимого оптического диапазона, основанная на цветовом расстоянии CIEDE2000, позволяет учесть особенности зрения человека и скомпенсировать перцептуальную неравномерность sRGB пространства.

3. Цифровая обработка сигналов в RGB-каналах изображения с помощью нелинейного контрастирования с применением тоновой коррекции позволяет получить визуальный эффект светофильтра и добиться подчёркивания особенностей слизистой оболочки за счет повышения локального цветового контраста более чем в 4 раза.

4. Введение двухэтапной обработки позволяет повысить точность сегментации объектов интереса, рассчитанную по мере Дайса на 30% в условиях ограниченного объема базы данных для обучения.

Апробация и реализация результатов диссертации. Основные результаты использованы в международных научно-исследовательских проектах, проводимых совместно Санкт-Петербургским государственным электротехническим университетом «ЛЭТИ» им. В.И. Ульянова (Ленина) и отделом инновационных медицинских приборов Корейского электротехнологического исследовательского института - Korea Electrotechnology Research Institute:

- «Разработка технологии анализа медицинских эндоскопических изображений»;

- «Разработка технологии анализа и визуализации медицинских эндоскопических изображений».

Результаты использованы в НИР «Смарт технологии синтеза и анализа гиперспектральных изображений» в рамках реализации программы стратегического академического лидерства «Приоритет 2030» на факультете радиотехники и телекоммуникаций СПбГЭТУ «ЛЭТИ».

Результаты использованы в НИР Т-161 «Разработка методов программной обработки видеоданных эндоскопической системы для повышения их визуального качества», проводимого кафедрой ТВ СПбГЭТУ «ЛЭТИ» в соответствии с контрактом с компанией ООО «Прометей».

Результаты использованы в научно-исследовательском проекте "Методы обработки и анализа пространственно-временных сигналов в экспертно-консультирующих системах медицинской диагностики (системах поддержки клинических решений)", поддержанном Российским Фондом Фундаментальных Исследований (грант № 17-07-00045), в научно-исследовательских работах и учебном процессе кафедры телевидения и видеотехники СПбГЭТУ «ЛЭТИ».

За результаты исследований и разработки по теме диссертации получены дипломы победителя конкурсов докладов молодых исследователей, проводимых в рамках Международной конференции «Цифровая обработка сигналов и ее применение DSPA» в 2017, 2018 и 2019 годах.

Публикации. Содержание и основные результаты диссертации изложены в 27 научных работах, которые включают 4 статьи, опубликованные в журналах, входящих в список перечня ВАК РФ, 5 работ опубликованы в научных журналах, индексированных в SCOPUS, 8 работ опубликованы в трудах конференций, индексированных в SCOPUS, 10 работ опубликованы в трудах научно-технических конференций, индексированных в РИНЦ.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Основная часть работы изложена на 116 страницах. Общий объем работы: 169 страниц, включая 14 таблиц и 46 рисунков.

В первой главе проведен обзор существующих методов повышения качества изображений. Произведена оценка их эффективности применительно к обработке эндоскопических изображений. Также представлен обзор существующих технологий виртуальной хромоэндоскопии и методов сегментации объектов интереса на медицинских изображениях. В результате анализа выявлены недостатки существующих решений и сформулированы задачи диссертационной работы.

Во второй главе предложен метод повышения качества эндоскопических изображений, учитывающий особенности и ограничения по их обработке. В основе метода лежит нелинейное преобразование яркости пикселов, учитывающее их локальную окрестность. Приведены результаты обработки и численная оценка качества коррекции по набору объективных метрик.

В третьей главе предложен метод цифровой обработки, обеспечивающий эффект виртуальной хромоэндоскопии, который включает в себя тоновую коррекцию с последующим повышением контраста за счет обработки в пространственной области. Исследованы различные варианты реализации обоих этапов, приведена оценка их эффективности.

В четвертой главе предложен метод автоматического анализа видеоданных и изображений, полученных с камеры эндоскопа с целью обнаружения и локализации полипов. Проведена оценка эффективности предложенного метода на реальных базах эндоскопических изображений.

В заключении отражены основные результаты исследования, приведены итоговые выводы по диссертационной работе.

Список литературы включает 117 наименований.

1 АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ ОБРАБОТКИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ В ЭНДОСКОПИЧЕСКИХ СИСТЕМАХ

1.1 Особенности и ограничения при обработке эндоскопических изображений

Сигналами, составляющими объект исследований, являются эндоскопические изображения. Это очень широкий класс медицинских изображений, получаемых при обследовании различных органов и полостей организма с помощью специального оптоэлектронного устройства (эндоскопа). Видами эндоскопии являются лапароскопия брюшной полости, гастроскопия желудка и пищевода, колоноскопия слизистой оболочки толстой кишки, гистероскопия — осмотр полости матки и др. В ходе эндоскопии врач выполняет визуальный осмотр поверхности органа, принимает решения о необходимости взятия биопсии, может проводить хирургические вмешательства (эндохирургия). Гастроскопический осмотр позволяет на ранних стадиях выявить онкологические изменения желудка, что дает возможность обеспечить своевременное лечение и избежать более серьезных последствий.

В общем случае модель формирования изображений описывается параметрами интересующего объекта, фона, лежащего вокруг объекта, источника излучения, среды, через которую осуществляется обнаружение, приемной ТВ системы, формирующей видеосигнал и реализующей алгоритм той или иной обработки получаемых видеоданных [8—10]. Разберем условия формирования эндоскопических изображений, являющихся объектом исследования в данной работе. Основным инструментом при проведении эндоскопического осмотра является видеоэндоскоп. Оптико-механическая схема видеоэндоскопа представлена на рисунке 1.1. Видеодатчик на конце эндоскопа преобразует оптическое изображение в цифровой сигнал, который может передаваться через кабель эндоскопа в процессор изображений, где формируется видеосигнал стандартного формата, который отображается на мониторе. Во

время осмотра врач принимает решения о подтверждении или исключении предполагаемых заболеваний, о проведении дальнейших процедур на основе информации, доступной на экране дисплея. Поэтому эффективность гастроскопии во многом определяется качеством предъявляемого врачу изображения и видеоданных, а также квалификацией врача [4а].

Существует альтернативная процедура осмотра желудочно-кишечного тракта - капсульная эндоскопия. Маленькая беспроводная эндоскопическая камера, помещенная в капсулу (рисунок 1.2), проглатывается пациентом, проходит через желудочно-кишечный тракт и записывает видеоданные. Капсульная эндоскопия практически безболезненна и не вызывает у пациентов неприятных ощущений.

При разработке методов цифровой обработки, обеспечивающих как повышение качества формируемых изображений для увеличения эффективности их визуального анализа врачом, так и автоматического анализа для повышения качества классификации, важно учитывать особенности медицинских

Рисунок 1.1 - Оптико-механическая схема видеоэндоскопа

изображений и ограничения по их обработке. Эти особенности вытекают из технических характеристик сенсоров, с помощью которых захватываются фото и видео, условиями их эксплуатации и спецификой объектов интереса.

Оптический купол

Держатель линзы Матрица ШОП

\ / Линза

/

Светодиоды энергопитания Радиочастотны

передатчик

Рисунок 1.2 - Схема эндоскопической капсулы

В таблице 1.1 приведены общие сравнительные характеристики эндоскопических камер для различных типов эндоскопов. К наиболее значимым особенностям эндоскопических камер следует отнести:

- узкий угол обзора в случае гибких и жестких эндоскопов [5а];

- широкий угол обзора капсульных эндоскопов;

- наличие теплового шума в микросхемах ПЗС или КМОП-сенсоров;

- отсутствие автофокуса (внешние движущиеся части и материалы, используемые в конструкции камер с автофокусом недопустимы для эндоскопических камер).

Таблица 1.1 - Особенности эндоскопических камер в зависимости от типа эндоскопа

Параметры Капсульные эндоскопы Гибкие эндоскопы Жесткие эндоскопы

Низкое энергопотребление +

Маленький размер + + +

Высокое разрешение + + +

Широкий угол обзора +

Мультиспектральный режим + +

ЭБ-визуализация + +

Изображения представляют собой массивы данных, включающие в себя значения цвета по двум пространственным координатам (строкам и столбцам изображения). Данные о цвете задаются в трехмерном цветовом пространстве -такие изображения наиболее часто используются в эндоскопии и называются трехканальными. Объектом исследования в данной работе являются трехканальные (цветные) изображения, полученные камерой оптического диапазона в белом свете. Существуют и другие типы изображений, например флуоресцентные изображения, захваченные сенсором в ближнем инфракрасном диапазоне [6а, 7а], которые в данной работе не рассматриваются.

Цифровая обработка изображений предполагает изменение или измерение характеристик изображения и объектов, представленных на нем. Характеристики изображения влияют на качество предоставляемой врачу информации - в качестве примера можно привести зашумленность, неравномерность фона, нечеткие границы объектов. В задачах сегментации и классификации важно вычисление характеристик, численно описывающих свойства объектов.

Современные средства передачи данных позволяют передавать данные от видео датчика до процессора и от процессора до устройства визуализации без потерь. Качество медицинских изображений зависит от аппаратной части (характеристик датчика), программной части (методов и алгоритмов программной обработки изображений) и подготовки пациента к диагностике (использование красителей, снижение концентрации газов в желудке и кишечном тракте с помощью пеногасителей). Повышение качества визуализации оказывает положительный эффект на диагностическую точность и достоверность. Для обеспечения максимально возможного качества визуализации за счет программной обработки в процессе разработки новых методов и алгоритмов необходимо учитывать специфику решаемой задачи. Например, при обработке космических снимков важно учитывать влияние радиации, обуславливающее возникновение ложных сигналов [11]. Выделим

основные особенности медицинских изображений, которые включают в себя выраженные деградации различного вида:

- одновременное присутствие значительных по площади светлых и темных областей (неравномерный контраст) - рисунок 1.3 (а, б, в);

- наличие шума на изображении вследствие теплового шума сенсоров (что особенно заметно в областях с низкой яркостью) - рисунок 1.3 (б);

(в)

Рисунок 1.3 - Примеры эндоскопических изображений с выраженными деградациями: одновременное присутствие светлых и темных областей (а), (б), (в), шум на изображении (б), геометрические искажения (б), (в), размытие изображения (в), смаз (в), блики (а), (б), (в),

перекрытие объектов (а), (б), (в)

- выраженные геометрические искажения у широкоугольных капсульных эндоскопов - рисунок 1.3 (в);

- размытие изображения вследствие отсутствия автоматической фокусировки - рисунок 1.3 (в);

- существенный смаз, обусловленный движением видеодатчика и мышечным дыханием органа - рисунок 1.3 (в);

- наличие бликов, вызванных отражением света, испускаемого галогеновой или светодиодной лампой эндоскопа [8а] - рисунок 1.3 (а, б, в);

- частичное или полное перекрытие одних объектов другими - рисунок 1.3 (а, б, в).

Видеосенсоры, используемые в эндоскопических системах имеют различные характеристики, такие как разрешение, фокусное расстояние, физический размер, чувствительность. Особенности датчиков могут оказывать влияние на качество работы методов, в особенности методов автоматического анализа. Кроме того, при разработке методов должны быть учтены:

- необходимость сохранения значимой информации, присутствующей в необработанном изображении и необходимой для диагностики и лечения;

- необходимость сохранения целостности восприятия визуальной информации;

- недопустимость формирования новых данных, отсутствующих на исходном изображении;

- особенности визуального восприятия врача - специалиста, сформированное его опытом работы в целом и опытом эксплуатации медицинского оборудования.

1.2 Методы повышения качества эндоскопических изображений

1.2.1 Требования к методам

Визуальное качество изображения - это совокупность потребительских свойств изображения, проявляющихся при его восприятии и оценке

наблюдателем на основе форм зрительных образов, что предполагает наличие в структуре качества не только объективных (физических), но и субъективных свойств. [12]

Данное определение характеризует наблюдателя как субъекта, оценивающего качество изображения, что уточняет более общее понятие качества изображения, включающего уровень точности, с которым различные системы обработки изображений захватывают, обрабатывают, хранят, сжимают, передают и отображают сигналы, формирующие изображение. [13] В работе под качеством изображения понимается именно визуальное качество, поскольку результат обработки будет наблюдать врач на экране видеоэндоскопа.

Повышение качества изображений включает в себя коррекцию яркости, контраста, подавление шумов, компенсацию геометрических искажений, удаление артефактов и т.д. Ключевой задачей обработки, позволяющей повысить диагностическую ценность эндоскопических изображений, является повышение контраста. Многие методы повышения контраста вносят заметные искажения в исходное изображение, что может быть недопустимо при работе с эндоскопическими изображениями. Поэтому здесь и далее под повышением качества понимается повышение контраста с учетом важных для врача особенностей обработки эндоскопических изображений с целью повышения диагностической ценности обработанных изображений.

Список литературы диссертационного исследования кандидат наук Поздеев Александр Анатольевич, 2023 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1а Поздеев, А.А. Мультиспектральный экспертноконсультирующий комплекс для диагностики онкологических изменений шейки матки / А.А. Поздеев, Н.А. Обухова, А.А. Мотыко // Биотехносфера. - 2017. - №2. - С. 48-57.

2а Pozdeev, A.A. Methods of Endoscopic Images Enhancement and Analysis in CDSS / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Computer Vision in Advanced Control Systems. - 2019. - Vol. 5. - P. 225-264.

3а Поздеев, А.А. Современные технологии и методы обработки эндоскопических изображений / А.А. Поздеев, Н.А. Обухова, А.А. Мотыко // Материалы 15-ой международной конференции «Телевидение: передача и обработка изображений», СПбГЭТУ «ЛЭТИ», июнь 2018. - С. 30-39.

4а Pozdeev, A.A. Personalized approach to developing image processing and analysis methods for medical video systems / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Procedia Computer Science. - 2020. - Vol. 176. - P. 2030-2039.

5а Pozdeev, A.A. Modern Methods and Algorithms in Digital Processing of Endoscopic Images / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Proc. of the Conference of Open Innovations Association FRUCT (Finnish-Russian University Cooperation in Telecommunication), 6-10 Nov 2017. - P. 260-267.

6а Pozdeev, A.A. Learning from Multiple Modalities of Imaging Data for Cancer Detection/Diagnosis / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Intelligent Systems Reference Library. - 2021. - Vol. 204. - P. 75-109.

7а Pozdeev, A.A. Algorithms for Real-Time Endoscopy Image Processing Pipeline in Clinical Decision Support Systems / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // International Journal of Embedded and Real-Time Communication Systems (IJERTCS). - 2019. - Vol. 10, №4. - P. 39-59.

8а Pozdeev, A.A. The algorithm for the highlights segmentation on TV images obtained under difficult observation conditions / A.A. Pozdeev // Материалы 15-ой международной конференции «Телевидение: передача и обработка изображений», СПбГЭТУ «ЛЭТИ», июнь 2018. - С. 204-207.

9а Поздеев, А.А. Методы контрастирования медицинских ТВ изображений / А.А. Поздеев, Н.А. Обухова // Материалы 14-ой международной конференции «Телевидение: передача и обработка изображений», СПбГЭТУ «ЛЭТИ», июнь

2017. - С. 176-180.

10а Pozdeev, A.A. Review of Noise Reduction Methods and Estimation of their Effectiveness for Medical Endoscopic Images Processing / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Proc. of the Conference of Open Innovations Association FRUCT (Finnish-Russian University Cooperation in Telecommunication) and ISPIT, 9-13 April 2018. - P. 204-210.

11а Поздеев, А.А. Современные методы шумоподавления и особенности их применения для медицинских эндоскопических изображений / А.А. Поздеев, Н.А. Обухова, А.А. Мотыко // Материалы 20-ой Международной конференции «Цифровая обработка сигналов и ее применение DSPA-2018», Москва, март

2018. - Т. 2. - С. 611-615.

12а Pozdeev, A.A. The Endoscopic Images Visualization in Clinical Decision Support Systems / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Proc. of the 22th International Conference on Digital Signal Processing and its Applications (DSPA), 25-27 March 2020. - P. 1-4.

13а Поздеев, А.А. Исследование и разработка методов улучшения эндоскопических (медицинских) изображений / А.А. Поздеев, Н.А. Обухова, А.А. Мотыко // Известия высших учебных заведений России. Радиоэлектроника. - 2019. - №2. - С. 22-30.

14а Pozdeev, A.A. Anatomical Landmarks Detection for Laparoscopic Surgery Based on Deep Learning Technology / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Proc. of the IEEE Russia North West Section Russia Young Researchers, St. Petersburg, 26-29 Jan 2021. - P. 1668-1672.

15а Поздеев, А.А. Алгоритм сегментации бликов на полутоновых изображениях на основе двухпороговой бинаризации / А.А. Поздеев //

Материалы 20-ой Международной конференции «Цифровая обработка сигналов и ее применение DSPA-2018», Москва, март 2018. - Т. 2. - С. 780-784.

16а Поздеев, А.А. Цифровая обработка эндоскопических изображений для систем поддержки врачебных решений / А.А. Поздеев, Н.А. Обухова, А.А. Мотыко // Известия высших учебных заведений России. Радиоэлектроника. -

2018. - №6. - С. 54-65.

17а Поздеев, А.А. Метод нелинейного контрастирования изображений, полученных в сложных условиях наблюдения / А.А. Поздеев, Н.А. Обухова // Материалы 72-ой Всероссийской научно-технической конференции, посвященной Дню радио, СПбГЭТУ «ЛЭТИ», СПб, апрель 2017.

18а Поздеев, А.А. Адаптивный метод нелинейного контрастирования медицинских изображений / А.А. Поздеев, Н.А. Обухова // Материалы 19-ой Международной конференции «Цифровая обработка сигналов и ее применение DSPA-2017», Москва, март 2017. - Т. 2. - С. 521-524.

19а. Поздеев, А.А. Метод повышения контраста медицинских видеоизображений с адаптивной глубиной коррекции для систем поддержки врачебных решений / А.А. Поздеев // Известия высших учебных заведений России. Радиоэлектроника. - 2022. - №5. - С. 91-103.

20а Pozdeev, A.A. Image Processing Algorithm for Virtual Chromoendoscopy (Tone Enhancement) in Clinical Decision Support System / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Proc. of the Conference of Open Innovations Association FRUCT (Finnish-Russian University Cooperation in Telecommunication) and ISPIT, 13-16 Nov 2018. - P. 293-299.

21а Поздеев, А.А. Алгоритм обработки эндоскопических изображений, реализующий эффект виртуальной хромоэндоскопии / А.А. Поздеев, Н.А. Обухова, А.А. Мотыко // Материалы 20-ой Международной конференции «Цифровая обработка сигналов и ее применение DSPA-2019», Москва, март

2019. - Т. 2. - С. 501-505.

22а Поздеев, А.А. Повышение визуального качества эндоскопических изображений в системах поддержки врачебных решений / А.А. Поздеев // Вопросы радиоэлектроники. Сер. Техника телевидения. - 2022. - Вып. 1. - С. 310.

23а Pozdeev, A.A. Method of Endoscopic Images Analysis for Automatic Bleeding Detection and Segmentation / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko,

B.S. Timofeev // Proc. of the 24th Conference of Open Innovations Association FRUCT (Finnish-Russian University Cooperation in Telecommunication) and ISPIT, 8-12 April 2019. - P. 285-290.

24а Pozdeev, A.A. Automatic analysis of endoscopic images for polyps detection and segmentation / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Proc. of the IEEE Russia North West Section Russia Young Researchers, 28-31 Jan 2019. - P. 12161220.

25а Поздеев, А.А. Автоматический анализ эндоскопических изображений для выявления наличия и сегментации полипов / А.А. Поздеев, Н.А. Обухова, А.А. Мотыко // Материалы 20-ой Международной конференции «Цифровая обработка сигналов и ее применение DSPA-2019», Москва, март 2019. - Т. 2. -

C. 395-399.

26а Pozdeev, A.A. Two-stage Approach for Segmentation of Polyps on Endoscopic Images / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Computer Vision in Advanced Control Systems. - 2020. - Vol. 6. - P. 93-106.

27а Pozdeev, A.A. Unmanned Aerial Vehicles Identification and Tracking Based on Video Data Analysis / A.A. Pozdeev, N.A. Obukhova, A.A. Motyko // Proc. of the 22th International Conference on Digital Signal Processing and its Applications (DSPA), 25-27 March 2020. - P. 1-4.

1 Hong, J.H. Trends in the Aggressiveness of End-of-Life Care for Advanced Stomach Cancer Patients / J.H. Hong, S.Y. Rho, Y.S. Hong // Cancer Res. Treat. -2013. - Vol. 45, № 4. - P. 270-275.

2 Castaneda, C. Clinical decision support systems for improving diagnostic accuracy and achieving precision medicine / C. Castaneda, K. Nalley, C. Mannion, P. Bhattacharyya, P. Blake, A. Pecora, et al. // Journal of Clinical Bioinformatics. - 2015. - Vol. 5, № 4.

3 Developing a framework for establishing clinical decision support meaningful use objectives for clinical specialties: technical report / C. Damberg, J. Timbie, D. Bell, L. Hiatt, A. Smith, E. Schneider. - USA: RAND Corporation. - 2012. - P. 258.

4 Eberhardt, J. Clinical decision support systems: potential with pitfalls / J. Eberhardt, A. Bilchik, A. Stojadinovic // J Surg Oncol. - 2012. - Vol. 105, № 5. - P. 502-510.

5 Jaspers, M.W. Effects of clinical decision-support systems on practitioner performance and patient outcomes: a synthesis of high-quality systematic review findings / M.W. Jaspers, M. Smeulers, H. Vermeulen, L.W. Peute // J Am Med Inform Assoc. - 2011. - Vol. 18, № 3. - P. 327-334.

6 Khairat, S.S. Reasons for Physicians Not Adopting Clinical Decision Support Systems: Critical Analysis / S.S. Khairat, D.T. Marc, W. Crosby, A.A. Sanousi // JMIR Med Inform. - 2018. - Vol. 6, № 2.

7 Albisser, Z. Expert driven semi-supervised elucidation tool for medical endoscopic videos / Z. Albisser, M. Riegler, P. Halvorsen, J. Zhou, C. Griwodz, I. Balasingham, C. Gurrin // The ACM Multimedia Systems Conference, Portland, USA, 2015.

8 Цыцулин, А. К. Твердотельные телекамеры: накопление качества информации: монография / А. К. Цыцулин, Д. Ю. Адамов, А. А. Манцветов, И. А. Зубакин. - СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2014. - 272 с.

9 Лысенко, Н. В. Информационные гетерогенные системы: монография / Н. В. Лысенко. - СПб.: Изд-во «Элмор», 2007. - 160 с.

10 Сагдуллаев, Т. Ю. Спектральная селекция и распознавание объектов [Текст] / Т. Ю. Сагдуллаев, Ю. С. Сагдуллаев // Вопросы радиоэлектроники. Сер. Техника телевидения. - 2012. - Вып. 2. С. 97-106.

11 Умбиталиев, А. А. Теория и практика космического телевидения / А. А. Умбиталиев, А. К. Цыцулин, В. В. Пятков, А. В. Кузичкин, С. В. Дворников, Н. Н. Шипилов, А. А. Манцветов, Д. Ю. Адамов, А. И. Бобровский и др.; Под ред. А. А. Умбиталиева, А. К. Цыцулина. - СПб.: НИИ телевидения, 2017. -386 с.

12 Душков, Б.А. Энциклопедический словарь: Психология труда, управления, инженерная психология и эргономика. 3-е изд. / Б.А. Душков, А.В. Королев, Б.А. Смирнов. - М.: Академический проект, Деловая книга, 2005. - 848 с.

13 Seshadrinathan, K. Information Theoretic Approaches to Image Quality Assessment / K. Seshadrinathan, H.R. Sheikh, Z. Wang, A.C. Bovik // Multi-Sensor Image Fusion and Its Applications. USA: CRC Press. - 2005. - P. 1-39.

14 Agaian, S. Transform coefficient histogram based image enhancement algorithms using contrast entropy / S. Agaian, B. Silver, and K. Panetta // IEEE Trans. Image Process. - 2007. - Vol. 16, № 3. - P. 741-758.

15 Mukherjee, J. Enhancement of color images by scaling the DCT coefficients / J. Mukherjee, S. K. Mitra // IEEE Trans. Image Process. - 2008. - Vol. 17, № 10. - P. 1783-1794.

16 Fattal, R. Edge-avoiding wavelets and their applications / R. Fattal // ACM Trans. Graphics. - 2009. - Vol. 28, № 3. - P. 1-10.

17 Starck, J.L. Gray and color image contrast enhancement by the Curvelet transform / J.L. Starck, F. Murtagh, E.J. Candes, D.L. Donoho // IEEE Trans. Image Process. - 2003. - Vol. 12, №6. - P. 706-717.

18 Pogorelov, K. Kvasir: A Multi-Class Image Dataset for Computer Aided Gastrointestinal Disease Detection / K. Pogorelov et. al. / 8th ACM on Multimedia Systems Conference (MMSYS), Taipei, Taiwan, 2017.

19 Wang, Z. Multiscale structural similarity for image quality assessment / Z. Wang, E.P. Simoncelli, A.C. Bovik // 37th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 2003.

20 Pizer, S.M. Adaptive Histogram Equalization and Its Variations / S.M. Pizer, E.P. Amburn, J.D. Austin, et al. // Computer Vision, Graphics, and Image Processing.

- 1987. - Vol. 39. - P. 355-368.

21 Edwin, H.L. The Retinex Theory of Color Vision / H.L. Edwin // Scientific American. - 1977. - Vol. 237. - P. 82-128.

22 Jobson, D.J. A multiscale retinex for bridging the gap between color images and the human observation of scenes / D.J. Jobson, Z. Rahman, G.A. Woodell // IEEE Transactions on Image Processing. - 1997. - Vol. 6. - P. 965-976.

23 Sparavigna, A.C. Retinex filtering and thresholding of foggy images / A. C. Sparavigna // Philica. - 2015. - Vol. 511. - P. 1-6.

24 Marazzato, R. Retinex filtering of foggy images: generation of a bulk set with selection and ranking. / R. Marazzato, A.C. Sparavigna // arXiv preprint arXiv:1509.08715, 2015.

25 Huang, S.C. Efficient contrast enhancement with adaptive gamma correction / S.C. Huang, F.C. Cheng, Y.S. Chiu // IEEE Trans. Image Process. - 2013. - Vol. 22, № 3. - P. 1032-1041.

26 Huang, L. Efficient contrast enhancement with truncated adaptive gamma correction / L. Huang, G. Cao, L. Yu // 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), Datong, China, 2016.

27 Cao, G. Contrast enhancement of brightness-distorted images by improved adaptive gamma correction / G. Cao, L. Huang, H. Tian // Comput Electr Eng. - 2017.

- Vol. 66. - P. 531-544.

28 Tao, L. An adaptive and integrated neighborhood dependent approach for nonlinear enhancement of color images / L. Tao, K.V. Asari // SPIE Journal of Electronic Imaging. - 2005. - Vol. 14, № 4. - P. 1-14.

29 Arigela, S. A Locally Tuned Nonlinear Technique for Color Image Enhancement / S. Arigela, V.K. Asari // WSEAS Trans. Signal Process. - 2008. - Vol. 4, № 8. - P. 514-519.

30 Huang, T.S. A fast two-dimensional median filtering algorithm / T.S. Huang, G.J. Yang, G.Y. Tang // IEEE Transactions on Acoustics, Speech, and Signal Processing. - 1979. - Vol. 27, № 1. - P. 13-18.

31 Banterle, F. A Low-Memory, Straightforward and Fast Bilateral Filter Through Subsampling in Spatial Domain / F. Banterle, M. Corsini, P. Cignoni, R. Scopigno // Computer Graphics Forum. - 2011. - Vol. 31, № 1. - P. 19-32.

32 Tomasi, C. Bilateral filtering for gray and color images / C. Tomasi, R. Manduchi // Sixth International Conference on Computer Vision, Bombay, India, 1998.

33 Buades, A. Neighborhood filters and PDE's / A. Buades, B. Coll, J.M. Morel // Numerische Mathematik. - 2006. - Vol. 105, № 1. - P. 1-34.

34 Jin, W. An Improved Approximate K-Nearest Neighbors Nonlocal-Means Denoising Method with GPU Acceleration / W. Jin, J. Qi // Intelligent Science and Intelligent Data Engineering (IScIDE), Nanjing, China, 2012.

35 Maggioni, M. Nonlocal transform-domain denoising of volumetric data with groupwise adaptive variance estimation / M. Maggioni, A. Foi // SPIE Electronic Imaging, Burlingame (CA), USA, 2012.

36 Wong Kee Song, L.M. Chromoendoscopy / L.M. Wong Kee Song, D.G. Adler, B. Chand, J.D. Conway, J.M.B. Croffie, J.A. DiSario, D.S. Mishkin, R.J. Shah, L. Somogyi, W.M. Tierney, B.T. Petersen // Gastrointestinal endoscopy. - 2007. - Vol. 66, № 4. - P. 639-649.

37 Manfredi, M.A. Electronic chromoendoscopy / M.A. Manfredi, B.K. Abu Dayyeh, Y.M. Bhat, S.S. Chauhan, K.T. Gottlieb, J.H. Hwang, S. Banerjee // Gastrointestinal Endoscopy. - 2015. - Vol. 81, № 2. - P. 249-261.

38 Varadarajulu, S. GI endoscopes / S. Varadarajulu, S. Banerjee, B.A. Barth, D.J. Desilets, V. Kaul, S.R. Kethu, et al. // Gastrointest Endosc. - 2011. - Vol. 74, №1. -P. 1-6.

39 Gono, K. Appearance of enhanced tissue features in narrow-band endoscopic imaging / K. Gono, T. Obi, M. Yamaguchi, N. Ohyama, H. Machida, Y. Sano, S.

Yoshida, Y. Hamamoto, T. Endo // Journal of Biomedical Optics. - 2004. - Vol. 9, № 3. - P. 568-577.

40 Muto, M. Improving visualization techniques by narrow band imaging and magnification endoscopy / M. Muto, T. Horimatsu, Y. Ezoe, S. Morita, S. Miyamoto // Journal of Gastroenterology and Hepatology. - 2009. - Vol. 24, № 8. - P. 13331346.

41 Sharma, P. Standard endoscopy with random biopsies versus narrow band imaging targeted biopsies in Barrett's oesophagus: a prospective, international, randomised controlled trial / P. Sharma, R.H. Hawes, A. Bansal, et al. // Gut. - 2013. - Vol. 62. - P. 15-21.

42 Muto, M. Early detection of superficial squamous cell carcinoma in the head and neck region and esophagus by narrow band imaging: a multicenter randomized controlled trial / M. Muto, K. Minashi, T. Yano, et al. // J Clin Oncol. - 2010. - Vol. 28. - P. 1566-1572.

43 Falk, G.W. Autofluorescence endoscopy / G.W. Falk // Gastrointestinal Endoscopy Clinics of North America. - 2009. - Vol. 19. - P. 209-220.

44 Uedo, N. A novel videoendoscopy system by using autofluorescence and reflectance imaging for diagnosis of esophagogastric cancers / N. Uedo, H. Iishi, M. Tatsuta, et al. // Gastrointest Endosc. - 2005. - Vol. 62. - P. 521-528.

45 Osawa, H. Present and future status of flexible spectral imaging color enhancement and blue laser imaging technology / H. Osawa, H. Yamamoto // Dig Endosc. - 2014. - Vol. 26, № 1. - P. 105-115.

46 FICE Atlas of Spectral Endoscopic images. 5th edition [электронный ресурс] // Division of Gastroenterology, Faculty of Medicine, Chulalongkorn University -2012. - Режим доступа: http://thaitage.org/source/content-file/content-file-id-19.pdf (дата обращения: 04.03.2022)

47 Pohl, J. Computed virtual chromoendoscopy for classification of small colorectal lesions: a prospective comparative study / J. Pohl, M. Nguyen-Tat, O. Pech,

A. May, T. Rabenstein, C. Ell // Am J Gastroenterol. - 2008. - Vol. 103. - P. 562569.

48 Nishimura, J. Efficacy of i-Scan imaging for the detection and diagnosis of early gastric carcinomas / J. Nishimura, J. Nishikawa, M. Nakamura, A. Goto, K. Hamabe, S. Hashimoto, I. Sakaida // Gastroenterol. Res. Pract. - 2014.

49 Kamphuis, G.M. Storz Professional Image Enhancement System: a new technique to improve endoscopic bladder imaging / G.M. Kamphuis, D.M. de Bruin, J. Fallert, et al. // J Cancer Sci Ther. - 2016. - Vol. 8. - P. 71-77.

50 Khan, T.H. Low complexity color-space for capsule endoscopy image compression / T.H. Khan, K. Wahid // IET Electron Lett. - 2011. - Vol. 47, № 22. -P. 1217-1218.

51 Nass, J.P. Current status of chromoendoscopy and narrow band imaging in colonoscopy / J.P. Nass, S.E. Connolly. // Clin Colon Rectal Surg. - 2010. - Vol. 23, №1. - P. 21-30.

52 Picot, J. Virtual chromoendoscopy for the real-time assessment of colorectal polyps in vivo: a systematic review and economic evaluation / J. Picot, M. Rose, K. Cooper, et. al. // Health Technol Assess. - 2017. - Vol. 21, № 79. - P. 1-308.

53 Okuhata, H. Application of the real-time Retinex image enhancement for endoscopic images / H. Okuhata, H. Nakamura, S. Hara, H. Tsutsui, T. Onoye // 35th Annual International Conference IEEE Engineering in Medicine and Biology Society (EMBC), Osaka, Japan, 2013.

54 Imtiaz, M.S. Tri-Scan: A Three Stage Color Enhancement Tool for Endoscopic Images / M.S. Imtiaz, S.K. Mohammed, F. Deeba, K.A. Wahid // J Med Syst. - 2017. - Vol. 41, № 6. - P. 1-16.

55 Hale, M.F. Capsule endoscopy: Current practice and future directions / M.F. Hale, R. Sidhu, M.E. McAlindon // World J Gastroenterol. - 2014. - Vol. 20, № 24. -P. 7752-7759.

56 Недзьведь, А.М. Анализ изображений для решения задач медицинской диагностики / А.М. Недзьведь, С.В. Абламейко. - Минск: ОИПИ НАН Беларуси, 2012. - 248 с.

57 Pickhardt, P.J. Location of adenomas missed by optical colonoscopy / P.J. Pickhardt, P.A. Nugent, P.A. Mysliwiec, J.R. Choi, and W.R. Schindler // Annals of internal medicine. - 2004. - Vol. 141, № 5. - P. 352-359.

58 Oncel, M. Course and follow-up of solitary Peutz-Jeghers polyps: a case series / M. Oncel, F.H. Remzi, J.M. Church, J.R. Goldblum, M. Zutshi, V.W. Fazio // Int J Colorectal Dis. - 2003. - Vol. 18. - P. 33-35.

59 Segnan, N. European guidelines for quality assurance in colorectal cancer screening and diagnosis: overview and introduction to the full supplement publication / N. Segnan, J. Patnick, L. von Karsa, et. al. // Endoscopy. - 2013. - Vol. 45, № 1. - P. 51-59.

60 Shussman, N. Colorectal polyps and polyposis syndromes / N. Shussman, S.D. Wexner // Gastroenterol Rep. - 2014. - Vol. 2. - P. 1-15.

61 Cortes, C. Support-vector networks / C. Cortes, V. Vapnik // Machine Learning. - 1995. - Vol. 20, № 3. - P. 273-297.

62 Ho, T.K. Random Decision Forests / T.K. Ho // 3rd International Conference on Document Analysis and Recognition, Montreal, Canada, 1995.

63 Tolles, J. Logistic Regression Relating Patient Characteristics to Outcomes / J. Tolles, W.J. Meurer // JAMA. - 2016. - Vol. 316, № 5. - P. 533-534.

64 Freund, Y. Large margin classification using the perceptron algorithm / Y. Freund, R.E. Schapire // Machine Learning. - 1999. - Vol. 37, № 3. - P. 277-296.

65 Li, B. A comparative study of shape features for polyp detection in wireless capsule endoscopy images / B. Li, M.Q. Meng, L. Xu // Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Piscataway, NJ, USA, 2009.

66 Плисов, В. Полипы толстой кишки [электронный ресурс] / В. Плисов // Интернет портал «ОкейДок» - Режим доступа: https://okeydoc.ru/polipy-tolstoj-kishki (дата обращения: 05.03.2022).

67 Schoeffmann, K. Medical Multimedia Information Systems (MMIS) / K. Schoeffmann, B. Munzer, M Riegler, P. Halvorsen / 25th ACM international conference on Multimedia, Mountain View, CA, USA, 2017.

68 Karargyris, A. Identification of polyps in Wireless Capsule Endoscopy videos using log Gabor filters / A. Karargyris, N. Bourbakis // IEEE/NIH Life Science Systems and Applications Workshop, Arlington, TX, USA, 2009.

69 Karargyris, A. Detection of small bowel polyps and ulcers in wireless capsule endoscopy videos / A. Karargyris, N. Bourbakis // IEEE Trans. Biomed. Eng. - 2011. - Vol. 58. - P. 2777-2786.

70 Nawarathna, R.D. Abnormal image detection using texton method in wireless capsule endoscopy videos / R.D. Nawarathna, J. Oh, X. Yuan, J. Lee, S.J. Tang // Medical Biometrics, Second International Conference, Hong Kong, China, 2010.

71 Park, S. Polyp detection in colonoscopy videos using deeply-learned hierarchical features / S. Park, M. Lee, N. Kwak // Seoul Natl. Univ. - 2015. - P. 1-4.

72 Tajbakhsh, N. Automatic polyp detection in colonoscopy videos using an ensemble of convolutional neural networks / N. Tajbakhsh, S. R. Gurudu, J. Liang // 12th International Symposium on Biomedical Imaging (ISBI), Brooklyn, NY, USA, 2015.

73 Akbari, M. Polyp Segmentation in Colonoscopy Images Using Fully Convolutional Network / M. Akbari, M. Mohrekesh, E.N. Esfahani, S.M. R. Soroushmehr, N. Karimi, S. Samavi, K. Najarian // 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Honolulu, Hawaii, USA, 2018.

74 Riegler, M. Eir - efficient computer aided diagnosis framework for gastrointestinal endoscopies / M. Riegler, K. Pogorelov, P. Halvorsen, T. de Lange, C.

Griwodz, D. Johansen, P.T. Schmidt, S.L. Eskeland // 14th International Workshop on Content-Based Multimedia Indexing (CBMI), Bucharest, Romania, 2016.

75 Pogorelov, K. GPU-Accelerated real-time gastrointestinal diseases detection / K. Pogorelov, M. Riegler, P. Halvorsen, P.T. Schmidt, C. Griwodz, D. Johansen, S.L. Eskeland, T. de Lange // 29th International Symposium on Computer-Based Medical Systems (CBMS), Dublin, Ireland, 2016.

76 Pogorelov, K. Efficient disease detection in gastrointestinal videos-global features versus neural network / K. Pogorelov, M. Riegler, S.L. Eskeland, T. Lange, D. Johansen, C. Griwodz, P. Thelin Schmidt, P. Halvorsen // Multimedia Tools and Applications. - 2017. - Vol. 76, № 21. - P. 22493-22525.

77 Blinchikoff, H.J. Filtering in the Time and Frequency Domains / H.J. Blinchikoff, A.I. Zverev. - USA: Wiley Interscience, 1976. - 494 p.

78 Прэтт У. Цифровая обработка изображений: Пер. с англ. / У. Прэтт. - М.: Мир, 1982. - Кн. 2 - 480 с.

79 Shen, C.H. Robust focus measure for low-contrast images, Consumer Electronics / C.H. Shen, H.H. Chen // International Conference on Consumer Electronics, Las Vegas, NV, USA, 2006.

80 Каллан, Р. Основные концепции нейронных сетей / Р. Каллан М.: «Вильямс». - 2001. - 288 с.

81 Wang, Z. Image quality assessment: from error visibility to structural similarity / Z. Wang, A.C. Bovik, H.R. Sheikh, E.P Simoncelli // IEEE Transactions on Image Processing. - 2004. - Vol. 13, № 4. - P. 600-612.

82 Winkler, S. Vision models and quality metrics for image processing applications: Doctoral Thesis / Stefan Winkler. - Ecole Polytechinique Federale De Lausanne, 2001. - 180 p.

83 Saleem, A. Image fusion-based contrast enhancement / A. Saleem, A. Beghdadi, B. Boashash // EURASIP J. Image Video Process. - 2012. - Vol. 10. - P. 1-17.

84 Visual texture analysis: technical report / A. Rosenfeld, E.B. Troy. - USA: Computer science center, Univ. of Maryland. - 1970.

85 Jahne, B. Principles of filter design / B. Jahne, H. Scharr, S. Korkel // Handbook of Computer Vision and Applications. - 1999. - Vol. 2. - P. 125-152.

86 Ahmed, N. Discrete Cosine Transform / N. Ahmed, T. Natarajan, K.R. Rao, // IEEE Transactions on Computers. - 1974. -Vol. 23, № 1. - P. 90-93.

87 ITU-R Recommendation ITU-T BT.500-13. 2012. Methodology for the subjective assessment of the quality of television pictures.

88 Mantiuk R.K., Tomaszewska A., Mantiuk R. Comparison of four subjective methods for image quality assessment / R.K. Mantiuk, A. Tomaszewska, R. Mantiuk // Comput Graph Forum. - 2012. - Vol. 31, № 8. - P. 2478-2491.

89 Князев, М.В. Лазерные методики в эндоскопической диагностике неоплазий толстой кишки / М.В. Князев, В.А. Дуванский, А.В. Белков., Э.А. Дикалова // Лазерная медицина. - 2017. - Т. 21, вып. 2. - C. 50-54.

90 Князев, М.В. Эндоскопическая аутофлуоресценция в визуализации эпителиальных образований толстой кишки / М.В. Князев, В.А. Дуванский // VI Всероссийская конференция «Фотодинамическая терапия и Фотодиагностика», Ростов-на-Дону, Россия, 2017.

91 Дуванский, В.А. Возможности виртуальной хромоскопии в эндоскопической диагностике новообразований толстой кишки (обзор литературы) / В.А. Дуванский, А.В. Белков // Лазерная медицина. - 2017. - Т. 21, вып. 1. - С. 45-48.

92 Kollath, Z. Introducing the Dark Sky Unit for multi-spectral measurement of the night sky quality with commercial digital cameras / Z. Kollatha, A. Coolb, A. Jechowcd, K. Kollathae, D. Szaza, K.P. Tong // Journal of Quantitative Spectroscopy and Radiative Transfer. - 2020. - Vol. 253. - P. 1-8.

93 Красильников, Н. Н. Цифровая обработка 2D- и 3D-изображений: учебное пособие / Н.Н. Красильников -. СПб.: БХВ-Петербург, 2011. - 608 с.

94 Acharya, T. Image Processing Principles and Applications / T. Acharya, A.K. Ray. - Chichester: A John Wiley & Sons, 2005. - 448 p.

95 CIE 15: Technical report: Colorimetry (Third ed.). International commission on illumination. - 2004.

96 Smith, T. The C.I.E. colorimetric standards and their use / T. Smith, J. Guild // Transactions of the Optical Society. - 1931. - Vol. 33, № 3. - P. 73-134.

97 Huertas, R. Performance of a Color-difference Formula Based on OSA-UCS Space Using Small-medium Color Differences / R. Huertas, M. Melgosa // Journal of the Optical Society of America A. - 2006. - Vol. 23, № 9. - P. 2077-2084.

98 Safdar, M. Perceptually uniform color space for image signals including high dynamic range and wide gamut / M. Safdar, G. Cui, Y.J. Kim, M.R. Luo // Opt. Express. - 2017. - Vol. 25, № 13. - P. 15131-15151.

99 Konovalenko, I.A. ProLab: A Perceptually Uniform Projective Color Coordinate System / I.A. Konovalenko, A.A. Smagina, D.P. Nikolaev, P.P. Nikolaev // IEEE Access. - 2021. - Vol. 9. - P. 133023-133042.

100 Li, C. Comprehensive color solutions: CAM16 CAT16 and CAM16-UCS / C. Li, Z. Li, Z. Wang, Y. Xu, M. R. Luo, G. Cui, et al. // Color Res. Appl. - 2017. -Vol. 42, № 6. - P. 703-718.

101 Sharma, G. The CIEDE2000 color-difference formula: Implementation notes, supplementary test data, and mathematical observations / G. Sharma, W. Wencheng, N.D. Edul // Color Research and Applications. - 2004. - Vol. 30, № 1. - P. 21-30.

102 Li, X. A Perceptual Color Edge Detection Algorithm / X. Li, X. Zhang // International Conference on Computer Science and Software Engineering, Wuhan, China, 2008.

103 Dalal N. Histograms of oriented gradients for human detection / N. Dalal, B. Triggs // International Conference on Computer Vision & Pattern Recognition (CVPR '05), San Diego, USA, 2005.

104 Bernal, J. WM-DOVA maps for accurate polyp highlighting in colonoscopy: Validation vs. saliency maps from physicians / J. Bernal, F.J. Sánchez, G. Fernández-Esparrach, D. Gil, C. Rodríguez, F. Vilariño // Computerized Medical Imaging and Graphics. - 2015. - Vol. 43. - P. 99-111.

105 Bernal, J. Towards Automatic Polyp Detection with a Polyp Appearance Model / J. Bernal, F. J. Sanchez, F. Vilarino // Pattern Recognition. - 2012. -Vol. 45, № 9. - P. 3166-3182.

106 Silva, J.S. Towards embedded detection of polyps in WCE images for early diagnosis of colorectal cancer / J.S. Silva, A. Histace, O. Romain, X. Dray, B. Granado // International Journal of Computer Assisted Radiology and Surgery. - 2014. - Vol. 9, № 2. - P. 283-293.

107 Chatzichristofis, S.A. Img(Rummager): An Interactive Content Based Image Retrieval System / S. A. Chatzichristofis, Y. S. Boutalis, M. Lux // Second International Workshop on Similarity Search and Applications, Prague, Czech Republic, 2009.

108 Tamura, H. Textural features corresponding to visual perception / H. Tamura, S. Mori, T. Yamawaki // IEEE Transactions on Systems, Man, and Cybernetics. - 1978. - Vol. 8, № 6. - P. 460-473.

109 Manjunath, B.S. Introduction to MPEG-7: Multimedia Content Description Interface / B.S. Manjunath, P. Salembier, T. Sikora. - Wiley & Sons, 2002. - 352 p.

110 Huang, J. Image indexing using color correlograms / J. Huang, S.R. Kumar, M. Mitra, W.J. Zhu, R. Zabih // Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. 1994. - Vol. 191. - P. 762-768.

111 Bosch, A. Representing shape with a spatial pyramid kernel / A. Bosch, A. Zisserman, X. Munoz // 6th ACM international conference on Image and video retrieval, CIVR '07, New York, USA, 2007.

112 Van der Maaten, L.J.P. Visualizing High-Dimensional Data Using t-SNE / L.J.P. van der Maaten, G.E. Hinton // Journal of Machine Learning Research. - 2008. - Vol. 9. - P. 2579-2605.

113 Fisher, R.A. The Use of Multiple Measurements in Taxonomic Problems / R.A. Fisher // Annals of Eugenics. - 1936. - Vol. 7, № 2. - P. 179-188.

114 Cortes, C. Support-vector networks / C. Cortes, V. Vapnik // Machine Learning. - 1995. - Vol. 20, № 3. - P. 273-297.

115 Ho, T.K. Random Decision Forests / T.K. Ho // 3rd International Conference on Document Analysis and Recognition, Montreal, Canada, 1995.

116 Freund, Y. A decision-theoretic generalization of on-line learning and an application to boosting / Y. Freund, R. E.Schapire // Journal of Computer and System Sciences. - 1997. - Vol. 55, № 1. - P. 119-139.

117 Ronneberger, O. U-Net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, T. Brox // International Medical Image Computing and Computer-Assisted Intervention (MICCAI 2015), Munich, Germany, 2015.

ПРИЛОЖЕНИЕ А

Таблица А1 - База данных для оценки параметров регрессионной модели

Номер изображения Номер блока 2 ^тт а2- "тт Р

1 25.36 0.86 1

2 66.84 2.26 2.5

1 3 37.09 1.25 2.5

4 109.76 3.70 3

5 180.53 6.09 4.5

6 158.15 5.34 3.5

7 82.99 2.80 2.5

2 8 26.12 29.63 0.88 1

9 115.56 3.90 2.5

10 33.21 1.12 1.5

11 53.15 1.79 2.5

12 138.72 4.68 3

3 13 64.78 2.19 3

14 170.18 5.74 4

15 101.01 3.41 3

16 128.25 3.63 3

17 119.61 3.38 3

4 18 70.54 1.99 3

19 71.45 2.02 3

20 87.07 2.46 3.5

21 3.03 0.09 1

22 97.51 2.76 4

5 23 84.77 35.36 2.40 2

24 79.65 2.25 3

25 64.92 1.84 1.5

26 42.04 1.19 2

27 101.41 2.87 3.5

6 28 154.88 4.38 4

29 129.87 3.67 3

30 185.32 5.24 4.5

31 137.02 3.01 3

32 141.75 3.11 3

7 33 174.23 3.82 3.5

34 32.01 0.70 2

35 89.53 45.56 1.97 2

36 83.55 1.83 2.5

8 37 48.35 1.06 1

38 90.81 1.99 2

39 160.74 3.53 3

40 140.88 3.09 3

41 125.34 2.75 2.5

42 226.55 4.97 5

9 43 218.31 4.79 3.5

44 171.39 3.76 2.5

45 174.41 3.83 2.5

46 130.86 2.05 2.5

47 72.26 1.13 1

10 48 10.53 0.17 1

49 101.88 1.60 2

50 40.56 0.64 1

51 139.05 2.18 2.5

52 123.95 1.94 2.5

11 53 118.44 63.81 1.86 3

54 8.27 0.13 1

55 130.43 2.04 2

56 87.77 1.38 1

57 99.39 1.56 2.5

12 58 135.46 2.12 3

59 108.19 1.70 1.5

60 120.47 1.89 2.5

61 166.51 4.80 4.5

62 176.98 5.10 4.5

13 63 163.36 4.71 3

64 178.55 5.14 4

65 28.51 0.82 2

66 176.00 5.07 2.5

67 161.03 4.64 3

14 68 168.41 34.71 4.85 3

69 228.87 6.59 5.5

70 121.33 3.50 2

71 51.37 1.48 1.5

72 99.12 2.86 2.5

15 73 187.82 5.41 3

74 240.11 6.92 5

75 159.51 4.60 4

76 119.26 2.18 3

77 127.71 2.34 2.5

16 78 198.48 3.63 4

79 202.18 3.70 3.5

80 125.17 54.65 2.29 2.5

81 43.40 0.79 1.5

82 93.29 1.71 3

17 83 95.31 1.74 2.5

84 122.27 2.24 2.5

85 86.19 1.58 1.5

86 94.56 1.73 2

87 26.02 0.48 1

18 88 108.28 1.98 2

89 126.25 2.31 3.5

90 16.87 0.31 1

91 87.92 2.49 2

92 67.15 1.90 3

19 93 139.18 3.95 4.5

94 197.55 5.60 4

95 2.42 0.07 1

96 135.13 3.83 3

97 23.54 0.67 1

20 98 15.14 35.28 0.43 1

99 162.36 4.60 4

100 5.03 0.14 1

101 67.46 1.91 2

102 126.44 3.58 3.5

21 103 189.70 5.38 4.5

104 45.19 1.28 1.5

105 41.49 1.18 2

106 37.51 0.81 1

107 53.39 1.15 2

22 108 147.52 3.18 3

109 91.55 1.98 3.5

110 177.89 3.84 3.5

111 135.53 2.92 3

112 178.19 3.85 3

23 113 87.88 46.34 1.90 1.5

114 3.81 0.08 1

115 3.69 0.08 1

116 56.74 1.22 1.5

117 85.05 1.84 1.5

24 118 163.34 3.52 2

119 136.73 2.95 3

120 237.43 5.12 5

ПРИЛОЖЕНИЕ Б

2В-визуализация признакового пространства методом 1-БМЕ для каждого из 6 векторов признаков: дескрипторов ДЦО, Ташига, Со1огЬауои1:,

Её§еИ1в1:о§гаш, Ли1:оСо1огСогге1о§гаш, РИОО представлена на рисунках Б.1-Б.3.

_£2_

• гслп^-г-Ьос

Рисунок Б.1 - ^БЫЕ визуализация для следующих наборов признаков: 1СБ (сверху) и Ташига (снизу), построенная по всем объектам обучающей выборки базы данных Куав1г

Рисунок Б.2 - ^БЫЕ визуализация для следующих наборов признаков: Со1огЬауоШ; (сверху) и Её§еН!81;о§гаш (снизу), построенная по всем объектам обучающей выборки базы данных

КуаБП

ЦвСдЬСаггеЬдят_

• 14:сгаг№ со 1№

Рисунок Б.3 - ^БЫЕ визуализация для следующих наборов признаков: Со1огЬауоШ; (сверху) и Её§еИ1в1;о§гаш (снизу), построенная по всем объектам обучающей выборки базы данных

КуаБП

ПРИЛОЖЕНИЕ В

Результаты субъективной оценки качества обработки предложенным методом повышения контраста с адаптивной интенсивностью коррекции по сравнению с методом ЬТБМЕ (изображения, на которых были получены результаты, приведены ниже).

Изображение, № Эксперт 1 Эксперт 2 Эксперт 3 Эксперт 4 Эксперт 5

1 -1 0 -1 -1 -1

2 -1 -1 -2 -2 -1

3 1 2 1 2 1

4 0 2 1 2 1

5 2 2 1 3 2

6 3 1 1 3 2

7 3 2 2 2 2

8 3 2 -1 1 2

9 3 2 1 2 2

10 3 2 2 2 1

11 2 2 0 1 1

12 3 2 1 3

13 2 2 1 1 1

14 2 2 1 1 1

15 2 2 1 2

16 1 2 0 0 1

17 2 1 -1 2 1

18 2 2 -1 2 1

19 1 2 -2 2 0

20 -1 0 -2 1 -1

ПРИЛОЖЕНИЕ Г

Результаты субъективной оценки качества обработки предложенным методом, обеспечивающим эффект виртуальной хромоэндоскопии по сравнению с методом Tri-Scan (изображения, на которых были получены результаты, приведены ниже).

Изображение, № Эксперт 1 Эксперт 2 Эксперт 3 Эксперт 4 Эксперт 5

1 -1 0 -1 0 0

2 1 3 3 3 1

3 1 2 1 1 3

4 2 3 3 2 3

5 2 1 2 1 1

6 2 1 2 2 2

7 2 2 1 2 3

8 3 2 1 3 3

9 1 2 1 0 1

10 2 3 1 3 2

11 2 2 1 1 2

12 0 1 1 0 3

13 2 3 1 3 2

14 1 2 2 1 1

15 3 2 3 3 2

16 2 1 2 3 1

17 2 2 3 2 1

18 2 2 3 3 1

19 2 1 3 3 1

20 1 2 2 2 2

ПРИЛОЖЕНИЕ Д

PROMETHEUS

8 800 100-77-62

[e-mail]

МЕДИЦИНСКОЕ ОБОРУДОВАНИЕ

190005. Санкт-Петербург, наб. Обводного канала. 118А. лит. Б, оф. 549л ООО "ПК Прометей". ИНН 7839092189. КПП 7893301001

Генеральный ди

«Утверждаю» Ж-Црометей»

римзе

М2023

Акт

о внедрении результатов диссертационной работы"-----

«Методы анализа и обработки изображений видимого оптического диапазона в системах поддержки врачебных решений» на соискание ученой степени кандидата технических наук Поздеева A.A.

Настоящим актом комиссия в составе: Гримзе Олега Михайловича (генеральный директор), Маценко Игоря Сергеевича (заместитель генерального директора), Гримзе Сергея Максимовича (директор по развитию) подтверждает, что результаты, полученные в диссертационной работе Поздеева A.A. на тему «Методы анализа и обработки изображений видимого оптического диапазона в системах поддержки врачебных решений» использованы при разработке отечественного образца системы эндоскопической визуализации.

Предложенные в диссертационной работе методы позволяют повысить диагностическую ценность предъявляемых врачу изображений и тем самым увеличить эффективность эндоскопической системы для диагностики и лечения. В частности, предложенные методы обработки изображений обеспечивают визуальный эффект виртуальной хромоэндоскопии, сравнимый с зарубежными аналогами (i-scan

ПТ b-nunüUHU PpntilV^

ООО «ПК Прометей»

ИНН 7839092189 КПП 783901001

ОГРН 1177847327943

190005, Санкт-Петербург, наб. Обводного канала, д. 118А, лит. Б, пом. 2Н, ЗН, 4Н, оф. 549а [e-mail]

СПбГЭТУ«лэти»

ПЕРВЫЙ ЭЛЕКТРОТЕХНИЧЕСКИЙ

МИНОБРНАУКИ РОССИИ федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина)» (СПбГЭТУ «ЛЭТИ»)

ул. Профессора Попова, д.5 литера Ф. Санкт-Петербург. 197022 Телефон: [phone]; факс: [phone]; e-mail: info«ciu.ru; https://etu.ru ОКПО 02068539; ОГРН 1027806875381; ИН1

Составлен комиссией в составе:

Председатель: зам. декана факультета радиотехники и телекоммуникаций по научной работе, к.т.н. Маркелов O.A.

Члены комиссии: к.т.н., Манцветов A.A.; к.т.н. Баранов П.С.

Комиссия составила настоящий акт о том, что материалы диссертационной работы Поздеева A.A. «Методы анализа и обработки изображений видимого оптического диапазона в системах поддержки врачебных решений» были использованы в международных научно-исследовательских проектах, проводимых совместно Санкт-Петербургским государственным электротехническим университетом «ЛЭТИ» им. В.И. Ульянова (Ленина) и отделом инновационных медицинских приборов Корейского электротехнологического исследовательского института - Korea Electrotechnology Research Institute:

- «Разработка технологии анализа медицинских эндоскопических изображений»;

- «Разработка технологии анализа и визуализации медицинских эндоскопических изображений».

АКТ

о внедрении результатов диссертационной работы Поздеева Александра Анатольевича «Методы анализа и обработки видеоизображений в системах поддрежки врачебных решений».

Председатель:

зам. декана ФРТ по научной работе, к.т.н.

Члены комиссии:

к.т.н. профессор кафедры ТВ

к.т.н. зам. зав. каф. ТВ по научной работе