Методы и алгоритмы анализа и классификации рентгеновских маммограмм для интеллектуальных систем диагностики онкологических заболеваний тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Малютина Ирина Алексеевна

  • Малютина Ирина Алексеевна
  • кандидат науккандидат наук
  • 2020, ФГБОУ ВО «Юго-Западный государственный университет»
  • Специальность ВАК РФ05.11.17
  • Количество страниц 158
Малютина Ирина Алексеевна. Методы и алгоритмы анализа и классификации рентгеновских маммограмм для интеллектуальных систем диагностики онкологических заболеваний: дис. кандидат наук: 05.11.17 - Приборы, системы и изделия медицинского назначения. ФГБОУ ВО «Юго-Западный государственный университет». 2020. 158 с.

Оглавление диссертации кандидат наук Малютина Ирина Алексеевна

Оглавление

Введение

1 Анализ современного состояния методов рентгеновской диагностики рака молочной железы

1.1 Заболевания молочной железы и роль рентгеновских методов в их диагностике

1.2 Цифровая маммография

1.3 Методология рентгенографических исследований молочной железы

1.4 Модели для автоматизированного обнаружения и диагностики рака молочной железы

1.5 Цель и задачи исследования

2 Разработка и исследование методов повышения качества сегментации рентгенограмм молочной железы

2.1 Анализ методов выделения сегментов на изображениях рентгеновских маммограмм

2.2 Анализ алгоритмов поиска новообразований на рентгеновских маммограммах

2.3 Интеллектуальные агенты для морфологической обработки рентгенограмм молочной железы

2.3.1 Многослойные морфологические операторы для обработки сложноструктурируемых изображений

2.3.2 Пример модификации границ сегментов посредством многослойных морфологических операторов

2.4 Алгоритм классификации патологических образований на рентгенограмме молочной железы

2.5 Выводы второго раздела

3 Разработка структурных и архитектурных решений для интеллектуальной

системы обработки и анализа рентгенограмм молочной железы

3.1 Метод каскадной сегментации рентгенограмм молочной железы

3.1.1 Процедура формирования каскадных окон

3.1.2 Критерии однородности каскадных окон для рентгенограмм молочной железы

3.1.3 Алгоритм деформации границ каскадных окон

3.1.4 Классификаторы каскадных окон рентгеновских маммограмм

3.2 Структурная схема интеллектуальной системы обработки и анализа маммограмм и алгоритмы ее работы

3.3 Структурные элементы автоматизированной системы

3.4 Описание работы программных модулей

3.5 Выводы третьего раздела

4 Экспериментальное исследование работоспособности интеллектуальной

системы обработки и анализа маммографических изображений

4.1 Формирование обучающей выборки для классификаторов заболеваний молочной железы

4.2 Исследование модели классификатора сегментов рентгенограмм молочной железы

4.3 Оценка эффективности классификации сегментов на норму и патологию

128

4.4 Экспериментальная проверка эффективности классификации по классам «область интереса» - «нет области интереса»

4.5 Выводы четвертого раздела 135 Заключение 137 Список сокращений и условных обозначений 139 Список литературы

4

Рекомендованный список диссертаций по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы анализа и классификации рентгеновских маммограмм для интеллектуальных систем диагностики онкологических заболеваний»

Введение

Актуальность работы. Исследования Всемирной организации здравоохранения показали, что на Европейском континенте заболевание раком не удается избежать каждой 5-й женщине. В России основной объем контингента пациентов с онкологическими заболеваниями приходится на диагноз злокачественных новообразований молочной железы (МЖ) (18,4%). Этот показатель, к сожалению, постепенно растет, так, например, в пересчете на 100000 женщин в 2008 г. он составил 328,8 человек, в 2010 г. - 355,7, 2012 г. -380,5, 2014 г. - 410,3, 2016 г. - 438,2, 2017 г. - 456,0, 2018 г. - 471,5.

Своевременное выявление симптомов заболеваний МЖ очень сильно зависит от квалифицированного и грамотного взаимодействия узких специалистов, таких как клиницисты, лучевые диагносты и морфологи. Основным методом распознавания признаков заболевания раком МЖ выступает рентгеновская маммография - низкодозированная рентгенологическая процедура для визуализации внутренней структуры МЖ. На сегодняшний день она является наиболее эффективным средством раннего выявления рака МЖ.

Все маммограммы контролируются и интерпретируются рентгенологами. Анализ рентгеновских снимков (РС) требует высокой классификации врача-рентгенолога, ошибки которого приводят к ошибочной диагностики и, как следствие, к увеличению длительности лечения и экономических затрат на него.

Следовательно, разработка методов и алгоритмов интеллектуальной поддержки классификации патологических структур на РС, позволяющих повысить качество ранней диагностики рака МЖ и снижающих долю повторных рентгенологических исследований и биопсии, является актуальной научно-технической задачей.

Степень разработанности темы исследования. Снижении смертности от онкологических заболеваний (ОЗ) достигается путем совершенствование методов ранней диагностики (Семиглазов В.Ф., 2013 г.), наиболее эффективным из

которых является скрининг ОЗ. Известны системы автоматизированного обнаружения (CAD), разработанные для повышения качества скрининга рака МЖ. В США CAD была одобрена в 1998 году (Rao et al., 2010). Тем не менее, дебаты по поводу эффективности CAD в рамках скрининга рака МЖ, продолжаются, так как в настоящее время нет рандомизированных исследований, определяющих влияние CAD на смертность от рака МЖ. В процессе исследования таких систем не было установлено улучшения диагностики инвазивного рака МЖ. Однако увеличилась частота обнаружения DSIS - протокового рака in situ. При этом возросло число случаев гипердиагностики, потребовавших дополнительных исследований и их финансирования. Таким образом, системы CAD требуют дальнейшего усовершенствования и изучения.

Объектом исследования являются медицинские рентгеновские снимки молочной железы.

Предметом исследования являются методы и алгоритмы цифровой обработки и классификации полутоновых растровых изображений рентгенограмм молочной железы.

Цель работы. Повышение качества ранней диагностики рака молочной железы путем создания методов и алгоритмов для автоматизированной классификации патологических структур на рентгенограммах молочной железы.

Для достижения данной цели были поставлены следующие задачи:

1. Разработка алгоритма классификации морфологических образований на рентгенограмме молочной железы, построенного на основе иерархических классификаторов.

2. Разработка метода предварительной обработки полутоновых растровых изображений рентгеновских снимков молочной железы.

3. Разработка метода и алгоритмов семантической сегментации изображений рентгеновских снимков молочной железы.

4. Разработка структурно-функциональной схемы интеллектуальной системы ранней диагностики рака молочной железы и алгоритмического и программного обеспечения ее основных модулей и режимов функционирования.

5. Экспериментальное исследование эффективности работы интеллектуальной системы и оценка качества процесса поиска патологических объектов на изображениях на примерах прикладных задач.

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

- алгоритм иерархической классификации патологических образований на рентгенограмме молочной железы, построенный по четырех уровневой структуре, отличающийся тем, что на первом уровне осуществляют увеличение показателей однородности в семантически однородных областях изображения, на втором уровне осуществляют каскадную сегментацию обработанного изображения, на третьем уровне идентифицируют области интереса, а на четвертом уровне классифицируют выбранные в интерактивном режиме области интереса;

- метод предварительной обработки изображений, отличающийся тем, что посредством двух морфологических операторов с составным структурообразующим элементом получают многослойное изображение, агрегацию слоев которого осуществляют посредством третьего морфологического оператора, позволяющий увеличить яркость пикселей в регионах изображения с высокими показателями однородности и понизить или не изменить яркость пикселей в регионах с низкими показателями однородности;

- метод автоматической сегментации рентгенограмм молочной железы, заключающийся в циклическом делении сегментов изображения на четыре не пересекающихся области - квадранты, и слияние блоков в сегменты на основе анализа предикторов, характеризующих однородность объединяемых блоков, отличающийся тем, что каждому вновь полученному квадранту присваивается статус, определяемый предиктором однородности, отражающим однородность области рентгенограммы, попавшей в квадрант, в зависимости от величины которого квадрант получает статус «делимого» блока и продолжает делиться на квадранты следующего иерархического уровня, или статус «не делимого» блока, при этом блок остается на текущем иерархическом уровне, причем перед определением статуса квадранта осуществляют модификацию границ квадрантов

внутри блока путем оптимизации величины предиктора однородности, позволяющий выделять области интереса на рентгенограммах молочной железы.

Полученные научные результаты диссертационного исследования соответствует пп. 1 и 2 паспорта научной специальности 05.11.17 - Приборы, системы и изделия медицинского назначения.

Теоретическая и практическая значимость работы состоит в том, что изложенные методы и алгоритмы построения классификаторов рентгенограмм МЖ, основанные на морфологическом анализе изображений и семантической сегментации рентгенограмм, позволяют осуществить раннюю диагностику онкологических заболеваний МЖ. Разработанные методы и алгоритмы составили основу автоматизированного рабочего места врача-маммолога. Применение предложенных в диссертации методов и алгоритмов классификации РС позволит использовать интеллектуальные технологии в программах скрининговой диагностики рака МЖ при дефиците высокотехнологического диагностического оборудования и медицинских кадров высокой классификации.

Работа выполнена при поддержке РФФИ научный проект № 16-07-00164а, регистрационный номер НИОКТР АААА-А16-116021110036-0 (2016-2017гг.) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Результаты диссертационной работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке магистров по направлению подготовки 12.04.04 - Биотехнические системы и технологии, и прошли испытание в отделении медицинской реабилитации клинического научно-медицинского центра «Авиценна», г. Курск.

Методы и средства исследований. Для решения поставленных задач использовались математический аппарат цифровой обработки изображений, статистический анализ, морфологический анализ, теория нейронных сетей, методы экспертного оценивания и принятия решений. При разработке модулей сегментации и классификации изображений в качестве инструментария использовался MATLAB 2018Ь.

Положения, выносимые на защиту. 1. Алгоритм иерархической классификации патологических образований на рентгенограмме молочной железы, построенный по четырех уровневой структуре, включающий блок морфологического анализа и блок каскадной сегментации, позволяет получить диагностическую эффективность по классам рентгенограмм «нет области интереса» - «есть область интереса» не ниже 90%, а по классам сегментов «норма» - «патология» не ниже 91%. 2. Метод предварительной обработки изображений, формирующий многослойное изображение посредством двух морфологических операторов и составного структурообразующего элемента, и агрегирующий их посредством третьего морфологического оператора, позволяет увеличить яркость пикселей в регионах изображения с высокими показателями однородности и понизить или не изменить яркость пикселей в регионах с низкими показателями однородности. 3. Метод семантической сегментации рентгенограмм молочной железы, основанный на циклическом делении сегментов изображения на четыре не пересекающихся области - квадранты с присвоением им статуса «делимый» и «не делимый», и слияние блоков в сегменты на основе анализа предикторов, характеризующих однородность объединяемых блоков, с предварительной модификацией границ сегментов, позволяет классифицировать сегменты и выделять области интереса на рентгенограммах молочной железы.

Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям теории цифровой обработки и классификации изображений и морфологическому анализу, а так же аналогичным результатам, полученным другими исследователями. Методы и алгоритмы классификации рентгеновских маммограмм построены на теории цифровой обработки изображений и согласуются с ранее опубликованными экспериментальными данными по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 12 международных и всероссийских конференциях:

Медико-экологические информационные технологии (Курск - 2016, 2017, 2018); «Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века» (Пермь - 2017, 2019); «Актуальные вопросы биомедицинской инженерии» (Саратов - 2017); «Физика и радиоэлектроника в медицине и экологии» (Владимир - Суздаль - 2018); «Наукоемкие проекты и технологии в машино- и приборостроении, медицине» (Саратов- 2018); «Лазерно-информационные технологии в медицине, биологии, геоэкологии и транспорте» (Новороссийск - 2019); «Энергосбережение и эффективность в технических системах» (Тамбов - 2019); «Современные проблемы анализа динамических систем. Теория и практика» (Воронеж - 2019); «Автоматизация» (Сочи-2019); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск -2016, 2017, 2018, 2019).

Публикации. Основные положения и результаты диссертационной работы опубликованы в 14 научных работах, включающих 3 статьи в ведущих рецензируемых научных журналах и изданиях.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка использованных источников, включающего 64 отечественных и 80 зарубежных наименований. Работа изложена на 158 страницах машинописного текста, содержит 66 рисунков и 7 таблиц.

1 Анализ современного состояния методов рентгеновской диагностики рака молочной железы

1.1 Заболевания молочной железы и роль рентгеновских методов в их диагностике

Для женщины в любом возрасте существуют риски развития заболеваний МЖ. Это вид заболеваний является наиболее распространенным и относится к онкологическим. Выделяют доброкачественные и злокачественные образования. К доброкачественным заболеваниям относят мастопатию, мастит, мастодинию, различные травмы груди. К злокачественным заболеваниям относится рак МЖ.

Фиброзно-кистозная болезнь (фиброзно-кистозная мастопатия) относится к доброкачественным изменениям тканей МЖ и в большинстве случаев не приводящие к развитию рака МЖ. Фиброзно-кистозная болезнь появляется у 5060% женщин в возрасте от 30 до 50 лет. В ходе фиброзно-кистозной болезни возникают ощущения боли в МЖ, которая усиливается перед менструацией и завершается или уменьшается после окончания цикла. В отдельных случаях боли могут приобретать усиливающийся характер и распространяться на соседние части тела (плечо, подмышечную область, лопатку). При пальпации выявляются характерные участки уплотнений различного характера (без четких границ, с четкими границами, в виде тяжей, мелкой зернистости). Так же в отдельных случаях могут появляться выделения из МЖ [15, 41].

Мастит представляет собой воспаление МЖ, встречающееся, как правило, у женщин, кормящих грудью, и может возникать в результате воздействия бактериальной инфекции. В редких случаях мастит развивается у женщин, перенесших операцию по удалению доброкачественной опухоли, а также у женщин с расстройством иммунной системы и больных сахарным диабетом. После родов мастит может встречаться в 2...5 % случаев, причем у женщин, которые впервые перенесли роды. В данном случае женщины могут заболеть в

течение первого месяца после родов, что является одним из самых частых проявлений послеродовой инфекции.

Мастодиния (масталгия) представляет собой боль в грудной железе. Она может проявляться в виде чувства дискомфорта, возникающего перед менструацией. Существует мнение, что причина мастодинии лежит в циклическом нагрубевании желёз, возникшего в результате венозного застоя и отёчностью стромы перед менструацией; в этот период МЖ может увеличиваться в объёме более чем на 15%.

Рак МЖ представляет собой злокачественную опухоль ткани молочной железы. Его относят к наиболее распространенному онкологическому заболеванию во всем мире. Ежегодно в России более 60 тыс. женщин с диагнозом рака МЖ принимаются на диспансерный учёт и около 600 тыс. пациенток продолжают наблюдение у врачей-онкологов.

Болезнь Пёджета (рак соска и ареолы МЖ) - одна из разновидностей рака МЖ, для нее характерно экземоподобное поражение соска. Первичными признаками являются утолщение соска и появление поверхностных экскориаций. Далее процесс распространяется на прилегающие участки МЖ [15,41].

Микрокальцинаты характерны часто встречающимися отложениями кальция в тканях. Это заболевание обнаруживают только при маммографическом обследовании. Самостоятельно обнаружить микрокальцинаты невозможно, так как их размер очень мал. Скопление микрокальцинатов в МЖ свидетельствует о возможном появлении рака МЖ. Но наличие микрокальцинатов в ткани МЖ не всегда свидетельствует о злокачественном процессе. Рак обнаруживается при наличии микрокальцинатов только в 30% случаев, а в остальных 70% случаев обнаруживаются доброкачественные заболевания (фиброзно-кистозная мастопатия, склерозирующий аденоз, фиброаденома и др.) [44].

Таким образом, имеются множество заболеваний МЖ, ранняя диагностика, диагностика и дифференциальная диагностика которых весьма затруднительна без интроскопических исследований, среди которых видное место занимает лучевая диагностика.

Для визуализации тканей МЖ используют рентгеновские лучи низкой энергии. Этот метод визуализации называют маммографией. Возникновение и развитие маммографии неразрывно связано с историей рентгенодиагностики и совершенствованием ее методов и оборудования. Первоначально исследования МЖ проводились на рентгеновских аппаратах. Но необходимость соблюдения определенных условий съемки способствовала созданию специализированных приборов - маммографов. Доктор Роберт Иган из Университета Хьюстона в 1960 году впервые опубликовал результаты трехлетних исследований в области маммографии. Он подробно описал разработанные методы собственных исследований, которые впоследствии позволили их широко использовать в медицинской практике [27].

Впервые в нашей стране маммографические исследования стали проводить О.Я. Богаевский (1929) и исследования протоков МЖ - Н.Н. Кукин. Однако этот вид исследований приобрел массовый характер только в шестидесятые годы прошлого века. Этому способствовало существующее противоречие между сформированным в то время мнением о возможности лечения рака МЖ и неуклонным ростом смертности от него. В то же время в те годы возможности комбинированного лечения этого заболевания значительно расширились. Периодическая профилактическая диагностика МЖ с целью предотвращения раковых заболеваний стала обязательным условием для поддержания здоровья женщины. Эта ситуация вызвала поток многочисленных исследований, способствующих в дальнейшем разработке нового медицинского оборудования в интересах проведения маммографических исследований. В ходе проведения теоретических и практических исследований была продемонстрирована возможность своевременного распознавания новообразований в МЖ, которые невозможно было определить ранее в ходе ручного обследования, а также показан широкий спектр применения нового оборудования [44].

Выпускаемые в настоящее время маммографы соответствуют эргономическим требованиям, адаптированы под пациентку, обеспечивают ей максимальный комфорт в процессе проведения диагностики и позволяют

получать результаты изображений высокого качества. Диагностика МЖ маммографом может представлять собой многоступенчатый комплексный процесс и зависит от целей проведения исследования. Он может включать в себя традиционный скрининг, выявление локальных физиологических изменений ткани в МЖ (патологических участков), проведение при необходимости биопсии, контрастных исследований и т.д. В связи с многочисленными возможностями применения маммографов производители медицинского оборудования выпускают их в различной комплектации и различной областью применения. Современные маммографы подразделяются: на устройства, обеспечивающие скрининговые исследования, и аппараты, обеспечивающие расширенную диагностику с возможностью проведения биопсии. Маммография позволяет обнаруживать все известные на современном этапе заболевания МЖ от доброкачественных новообразований до злокачественных опухолей.

1.2 Цифровая маммография

Цифровая маммография является результатом внедрения компьютерных технологий в медицинскую практику профилактики и лечения раковых заболеваний МЖ. Она относится к безопасной для женщины и информативной для врача-маммолога диагностической системой.

В состав цифрового маммографического комплекса входит следующие оборудование:

- непосредственно сам маммограф;

- автоматизированное рабочее место врача-маммолога (системный блок, монитор, клавиатура, мышь, набор программного обеспечения);

- печатающее устройство.

Применение цифровых маммографов позволяет повысить качество обследования МЖ за счет более точной и детализированной диагностики, которая

стала доступна в результате применения методов цифровой обработки изображений. Границы применения компьютерных методов обработки информации, включая и фотоизображения, с каждым годом все больше и больше расширяются. Поэтому цифровая маммография сейчас активно развивается. Цифровые технологии обеспечивают формирование широкого динамического диапазона, высокой чувствительности, создание прикладных программных продуктов, позволяющих распознавать на изображении любые объекты различной плотности.

Так как изображение формируется и в дальнейшем используется только с применением компьютерной техники, то отпала необходимость использования проявочной пленки и химикатов, что позволяет достичь получения экономии финансовых затрат на диагностику и повышения экологической безопасности окружающей среды.

При использовании методики цифровой маммографии на помощь врачу приходят вычислительные способности компьютеров. Рентгеновские лучи, проходя через молочную железу, попадают на специальную матрицу, с которой изображение исследуемого объекта передается в компьютер для первичной обработки и дальнейшего преобразования в цифровой вид. Дальше возможности врача, работающего на специализированном рабочем месте, значительно расширяются. При помощи специального программного обеспечения изображения возможно сделать максимально четкими, качественными, при необходимости увеличивать «проблемные» зоны и изучать их более детально. При желании пациент может получить результаты своего обследования на цифровом носителе, который снабжен программой просмотра изображений и создания их копий на других носителях информации.

Преимущество цифровой маммографии в том, что она позволяет создавать базы данных маммографии, и обеспечивать возможность обработки и передачи цифровых изображений не только в любое подразделение медицинского учреждения, но и в другие диагностические и лечебные центры [37].

В медицинских учреждениях разных стран применяются следующие

цифровые маммографы: Маммо-МТ Альфа в России, Украине, МАММО-Р в России, МАДИС в России, ASR-3000 в США. В настоящее время в России одним из лидеров по производству высокотехнологичного медицинского оборудования и информационных систем для маммологии является АО «Медицинские технологии Лтд», которая с 2017 года начало производство цифрового плоскопанельного детектора «Соло ДМ-МТ», предназначенного для использования в аналоговой и цифровой маммографии.

Разработкой прикладного программного обеспечения для обработки маммограмм в мире занимаются единичные компании. Среди них: AccuDetect, The MAMMEX MammoCAD, Syngo Breast Care, Fujifilm's Digital Mammography System [20, 79, 86,109].

AccuDetect - работает с компьютерными технологиями выявления областей интереса (ROI) на снимках аналоговых и цифровых маммограмм [109]. Алгоритмы, включенные в программу, позволяют идентифицировать микрокальцификации и рассчитывать их параметры, такие как: плотность группы, форма микрокальцификации и т.д. В процессе компьютерного анализа исследуемого объекта определяются размеры новообразований, их форма, степень контрастности с прилегающими областями, текстура новообразования и его границ и другие характеристики, позволяющие идентифицировать исследуемое заболевание в соответствии с существующей классификацией.

MAMMEX MammoCAD (производитель SCANIS США) - компьютерная программа, позволяющая идентифицировать рак МЖ на основе компьютерного анализа микрокальцинатов и опухолей [20]. В MammoCAD реализована функция создания и ведения компьютерной базы данных РС о пациентах. Программа включает в свой состав следующие функции: корректировка параметров яркости и контраста, вывод на экран монитора изображений в различных проекциях, масштабирование и выделение ROI, расчет ее характеристик, вычленение из всего изображения выявленных областей, характерных для микрокальцинатов и опухолей.

Syngo Breast Care - это программное приложение, предназначенное для

особых потребностей в выявлении и оценке рака MЖ. Syngo Breast Care состоит из нескольких программных модулей: Syngo Breast Care Reading, Syngo Breast Care CAD Display и Syngo Breast Care Tomo. Syngo предлагает мульти модальные приложения и наборы функций для поддержки клиентов в диагностической визуализации для различных клинических областей.Syngo Breast Care позволяет производить синхронную обработку 4 снимков в течение 90 секунд. Средняя производительность работы программы составляет 40 человек в час [79].

Fujifílm's Digital Mammography System представляет собой многофункциональную программу, которая в автоматизированном виде производит выделение подозрительных областей, характерных для микрокальцинатов, злокачественных и доброкачественных опухолей [86].

1.3 Методология рентгенографических исследований молочной железы

Mетодология проведения рентгенографических исследований MЖ подчиняется своду правил, разработанных коллегией радиологов в США в 1995 г. Она опирается на разработанную классификацию терминов и сокращений [18].

В ходе изучения маммографического снимка врач наносит специальные метки, идентифицирующих проекцию выполнения исследования. Список возможных сокращений для проекций представлен в таблице 1.1.

Обычно для маммографических исследований используют 2 основные проекции: кранио - каудальную (СС) и медиолатеральную косую (MLO). Остальные проекции используют в тех случаях, когда бывает затруднительно определить новообразование. На рисунке 1.1 представлена иллюстрация CC и MLO проекций женской груди, которые применяются во время обследования с помощью цифровой маммографии.

Таблица 1.1- Список сокращений проекций и укладок в маммографии

Сокращение по номенклатуре Описание

АКР

Оригинал Перевод

1 2 3

СС КК Кранио-каудальная основная прямая проекция.

мьо мж Мед ио -л а тера льная косая:основная косая проекция.

хссь КК (подмышечной области) Специальная кранио-каудальная проекция для изучения тканей подмышечной области.

мь МЛ Мед ио -л а тера льная пр о екция.

ьм лм Ла тер о-медиальная проекция.

ш БИ Снимок с вытеснением имплантата (метод Эклунда),

АХ АН Аксиальная проекция (для исследования лимфатических узлов).

СУ СКК Раздельный снимок с компрессией (одновременная компрессия двух молочных желез для изучения тканей, прилегающих к грудине, и медиальных областей молочных желез).

АТ САУ Снимок аксиллярного удлинения (хвоста) молочной железы-медиолатеральная косая проекция под углом 20-30,

Похожие диссертационные работы по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК

Список литературы диссертационного исследования кандидат наук Малютина Ирина Алексеевна, 2020 год

Список литературы

1. Акимов, А.В. Разработка и исследование алгоритмов распознавания изображений на основе метода Виолы-Джонса с использованием технологии вычислений на графических процессорах Cuda / А.В. Акимов, А.А. Сирота // Вестник ВГУ. Серия: системный анализ и информационные технологии. - 2014. -№ 3. - С. 105-108.

2. Анализ данных. Обработка фактического материала // Презентация PowerPoint - скачать презентацию на тему. - М.: Copyright, 2010. - URL: https://present5.com/analiz-dannyx-obrabotka-fakticheskogo-materiala-v-lyubom/(дата обращения: 21.05.2019).

3. Ахметшин, А.М. Сегментация низкоконтрастных изображений с применением иерархической модели Марковского случайного поля / А.М. Ахметшин, А.Е. Федоренко // Искусственный интеллект. - 2002. - №4. - С. 414421.

4. Белых, В.С. Разработка и исследование метода и алгоритмов для интеллектуальных систем классификации сложноструктурируемых изображений / В.С. Белых, М.А. Ефремов, С.А. Филист // Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2016. - №2(19). - С. 12-24.

5.Гонсалес Р.С. Цифровая обработка изображений / Р.С. Гонсалес, Р.Э. Вудс. - М.: Техносфера, 2005. -1072 с.

6.Гонсалес, Р. Цифровая обработка изображений в среде Matlab / Р. Гонсалес, Р. Вудс, С. Эддинс. М.: Техносфера, 2006. 616 с.

7. ГОСТ 7.1-2003. Библиографическая запись. Библиографическое описание. Общие требования и правила составления. - Введ. 2004-07-01. - М.: Изд-во стандартов, 2004. - 166 с. - (Система стандартов по информации, библиотечному и издательскому делу).

8.Дабагов, А.Р. Метод и алгоритмы сегментации рентгенограмм молочной железы/А.Р. Дабагов, С.А. Филист, И.А. Малютина, и др.// Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века: сб. статей по материалам Четвертой всерос. научн.-практ. конф. Ч.1. Перм. гос. нац. исслед. ун-т. - Пермь, 2019. - С. 174-180.

9.Дабагов, А.Р. Метод каскадной сегментации рентгенограмм молочной железы/ А.Р. Дабагов, Д.С. Кондрашов, И.А. Малютина, Р.А. Томакова, С.А. Филист// Известия ЮЗГУ. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. - Т.9. № 1(30) - С.49-61.

10. Дюдин, М.В. Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий многокритериального выбора / М.В. Дюдин, И.В. Зуев, С.А. Филист, С.М. Чудинов // Вопросы радиоэлектроники. Серия «Системы и средства отображения информации и управления спецтехникой (СОИУ)». - 2015. - Выпуск 1. - С.130-141.

11. Дюдин, М.В. Математические модели для интеллектуальных систем классификации рентгенограмм грудной клетки / М.В. Дюдин, П.С. Кудрявцев, К.В. Подмастерьев, С.А. Филист, О.В. Шаталова // Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2016. - №2(19). - С. 94-107.

12. Дюдин, М.В. Способ выделения контура изображения легких на рентгеновском снимке грудной клетки / М.В. Дюдин, В.В. Жилин, П.С. Кудрявцев и др. // Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2014. - № 4. - С. 107-114.

13. Дюдин, М.В. Способ выделения и классификации контуров легких на изображениях флюорограмм грудной клетки / М.В. Дюдин, С.А. Филист, П.С. Кудрявцев // Наукоемкие технологии. - 2014. - Т.15, № 12. - С. 25-30.

14. Дюран, Б. Кластерный анализ / Б. Дюран, П. Оделл; пер. с англ. Е.З. Демиденко; под ред. А.Я. Боярского. - М.: Статистика, 1977. - 128 с.

15. Женщины и рак: скрининг и лечение спасают жизни // ЕРБ ВОЗ. - М.: Copyright, 2019. - URL: http://www.euro.who.int/ru/health-topics/noncommunicable-diseases/cancer/news/news/2011/11/women-and-cancer-screening-and-treatment-save-lives (дата обращения: 16.04.2019).

16.Жук, С.В. Обзор современных методов сегментации растровых изображений / С.В. Жук // Известия Волгоградского государственного технического университета. -2009. -№ 6. - C. 115-118.

17. Заболотская, Н.В. Комплексное ультразвуковое исследование молочных желез / Н.В. Заболотская, В.С. Заболотский // SonoAce International. - 2000. - №6.

- С. 86 - 92. - URL: http://www.medison.ru/si/art85.htm (дата обращения: 04.05.2019).

18. Кеннет, Л.Б. Руководство по рентгенографии с рентгеноанатомическим атласом укладок [пер. с англ.] / Л.Б. Кеннет; под ред. Л.Д. Линдербратена, В.В. Китаева, В.В. Уварова. - М.: ИНТЕЛМЕДТЕХНИКА, 2005. - 848 с.

19. Кетков, Ю.Л. MATLAB 7. Программирование, численные методы / Ю.Л. Кетков, А.Ю. Кетков, М.М. Шульц. - СПб.: БХВ - Петербург, 2005. - 752 с.

20. Компании медицинского оборудования. Scanis // MedWOWGlobal. - К.: Copyright, 2014. - URL: http://ru.medwowglobal.com/company/scanis/91190 (дата обращения: 15.05.2019).

21. Корженкова, Г.П. Комплексная рентгено-сонографическая диагностика заболеваний молочной железы / Г.П. Корженкова. - М.: ООО «Фирма СТРОМ», 2004. - 128 с.

22. Корниенко, В.С. Математическая статистика. Решение задач по теме: «Проверка статистических гипотез». Методическая разработка / В.С. Корниенко.

- Волгоград: Волгогр. гос. с.-х. акад, 2010. - 68 с.

23. Кудрявцев, П.С. Гибридные классификаторы в задачах классификации рентгенограмм грудной клетки/ П.С. Кудрявцев, И.А. Малютина, Р.А. Томакова //Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века: сборник статей по материалам Второй Всероссийской научно-практической конференции. - Пермь: ПГНИУ,2017.- С.64-69.

24. Кудрявцев, П.С. Моделирование морфологических образований на рентгенограммах грудной клетки в интеллектуальных диагностических системах медицинского назначения / П.С. Кудрявцев, А.А. Кузьмин, Д.Ю. Савинов, С.А. Филист, О.В. Шаталова // Прикаспийский журнал: управление и высокие технологии. - 2017. - №3(39). - С. 109-120.

25. Кудрявцев, П.С. Развитие методологии бустинга для классификации флюорограмм грудной клетки / П.С. Кудрявцев, А.А. Кузьмин, С.А. Филист // Биомедицинская радиоэлектроника. - 2016. - №9. - С. 10-15.

26. Крымин, И.В. Обзор рынка рентгеновской техники. Маммографы / И.В. Крымин // Медтехника и медизделия. - 2004. - №2 (19). - C.36-38.

27. Линденбратен, Л.Д. Комплексная рентгенодиагностика заболеваний молочных желез / Л.Д. Линденбратен, И.Н. Зальцман. - М.: М-во здравоохранения РСФСР, 1976. - 52 с.

28. Линденбратен, Л.Д. Маммография: (Учеб. атлас): [Практ. мед. рук.] / Л.Д. Линденбратен, Л.М. Бурдина, Е.Г. Пинхосевич. - М.: ТОО "Видар", 1997. -123 с.

29. Малютина, И.А. Межпозвоночная кинематическая оценка путем оцифрованной видеофлуороскопии / И.А. Малютина/Медико-экологические информационные технологии-2018: сборник научных статей по материалам XXI Международной научно-технической конференции. - Курск: ЮЗГУ, 2018. -С.235-241.

30. Малютина, И.А. Методы и алгоритмы анализа локальных окон в задачах классификации рентгенограмм грудной клетки /И.А. Малютина, В.С. Белых, О.В. Шаталова//Медико-экологические информационные технологии-2017: сборник статей двадцатой Международной научно-технической конференции.- Курск: ЮЗГУ, 2017.- С.50-54.

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

32. Малютина, И.А. Метод отслеживания координат опухолей при лучевой терапии рака легкого/И.А. Малютина, З.У. Зейдан / Наукоемкие проекты и технологии в машино- и приборостроении, медицине: Всероссийская молодежная научная конференция. - Саратов: СГТУ им. Гагарина Ю.А.,2018.- С.135-139.

33. Малютина, И.А.Программное обеспечение для обработки биомедицинских изображений в среде матлаб /И.А.Малютина//Актуальные вопросы биомедицинской инженерии: сборник статей VI Всероссийской научной конференции для молодых ученых, студентов и школьников. - Саратов: СГТУ имени Гагарина Ю.А,2017.- С.176-178.

34. Малютина, И.А. Синтеза оконных классификаторов рентгенограмм грудной клетки на основе оператора Уолша / И.А. Малютина, А.А. Кузьмин, С.А. Филист / Физика и радиоэлектроника в медицине и экологии: XIII Международная научная конференция ФРЭМЭ'2018. -Владимир-Суздаль, Россия, Доклады, Книга 1.- С.185-189.

35. Малютина, И.А. Технические и алгоритмические решения классификации сегментов сложноструктурируемых изображений/ И.А. Малютина // Медико-экологические информационные технологии-2016: сборник научных статей по материалам XIX Международной научно-технической конференции -Курск: ЮЗГУ, 2016. - С. 272-276.

36. Начало работы в Matlab // Образовательный математический сайт Exponenta. - М.: Copyright, 1993-2018. - URL: http://old.exponenta.ru/educat/free/matlab/gs.pdf (дата обращения 12.05.19).

37. Нестеров, С.А. Особенности цифровой маммографии / С.А. Нестеров, М.С. Владимиркина, Л.В. Тронькина, Д.А. Семенов // Онкология сегодня: пациент, государство, медицинское сообщество: материалы VII Российской научно-практической конференции с элементами научной школы для молодежи «Модниковские чтения». - Ульяновск: УлГУ, 2011. - С. 214-218.

38. Павлидис, Т. Алгоритмы машинной графики и обработки изображений: [пер. с англ.] / Т. Павлидис. - М.: Радио и связь, 1986. - 400 с.

39.Пат. 2325044 Российская Федерация, МПК H 04 N 1/409, G 06 K 9/46.Градиентный способ выделения контуров объектов на матрице полутонового растрового изображения / Гданский Николай Иванович, Марченко Юлия Андреевна; патентообладатель Московский государственный университет инженерной экологии. - № 2007106412/09; заявл. 21.02.2007; опубл. 20.05.2008, Бюл. № 14. - 8 с.

40.Пат.2510897 Российская Федерация, МПК 606 К 9/34.Способ сегментации сложноструктурируемых растровых изображений на основе составных морфологических операторов/Томакова Римма Александровна,Филист Сергей Алексеевич; патентообладатель Юго-Западный государственный универсистет.-№2013150819/14;заяв.05.11.2013;опуб.10.12.2015,Бюл.№34.

41. Показания - Реферат по теме «Маммография» // Reftop. - Спб.: Copyright, 2019. - URL: http://reftop.ru/referat-po-teme-mammografiya.html?page=3 (дата обращения: 9.05.2019).

42. Проверка гипотез о законе распределения. Критерий Колмогорова // Персональный сайт. - М.: Copyright, 2019. - URL: http ://a19851991.ucoz.ru/tvms/demo/5 -ms ^А(дата обращения: 16.04.2019).

43. Прэтт, У. Цифровая обработка изображений: [пер. с англ.]. В 2-х кн. / У. Прэтт. - М: Мир, 1982. - Кн.1: 312 с.; Кн. 2:493 с.

44. Рожкова, Н.И. Лучевые методы обследования молочных желез / Н.И. Рожкова // Лучевая диагностика. - 2013. -№ 3. - С. 28-29.

45. Садыков, С.С. Автоматизированная обработка и анализ маммографических снимков: монография / С.С. Садыков, Ю.А. Буланова, Е.А. Захарова; Владим. гос. ун-т им. А. Г. и Н. Г. Столетовых. - Владимир: Изд-во ВлГУ, 2014. - 208 с.

46. Садыков, С.С. Алгоритм текстурной сегментации для выявления областей кисты на маммограммах / С.С. Садыков, Ю.А. Буланова, А.Г. Романов // Алгоритмы, методы и системы обработки данных. - 2013. - №19. - С. 50-55.

47. Состояние онкологической помощи населению России в 2018 году / Под ред. А.Д. Каприна, В.В. Старинского, Г.В. Петровой. - М.: ФГБУ «МНИОИ им. П.А. Герцена», Минздравсоцразвития России, 2019. - 236 с.

48.Томакова, Р.А. Интеллектуальные технологии сегментации и классификации биомедицинских изображений/ Р.А. Томакова, С.Г. Емельянов, С.А. Филист// Курск: Юго-Зап. гос. ун-т, 2012. - 202 с.

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

50. Томакова, Р.А. Программное обеспечение автоматической классификации рентгенограмм грудной клетки на основе гибридных классификаторов / Р.А. Томакова, С.А. Филист, И.В. Дураков // Экология человека. - 2018. - № 6. - С. 59-64.

51. Томакова, Р.А. Проектирование гибридной нейронной сети для анализа сложноструктурированных медицинских изображений / Р.А. Томакова // Системный анализ и управление в биомедицинских системах. - 2011. - Т. 10, № 4. - С. 916-923.

52. Федров, А. Бинаризация черно-белых изображений: состояние и перспективы развития // Научно-образовательный кластер CLAIM. - М.: Copyright, 2006 - 2014. - URL: http://it-claim.ru/Library/Books/ITS/wwwbook/(дата обращения: 16.04.2019).

53. Филист, С.А. Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий многокритериального выбора / С.А. Филист, М.В. Дюдин, И.В. Зуев, и др. // Вопросы радиоэлектроники. Серия: Системы и средства отображения информации и управления спецтехникой (СОИУ). - 2015. - Выпуск 1. - С.130-140.

54.Филист, С.А. Анализ гистологических изображений посредством морфологических операторов, синтезированных на основе преобразования Фурье

и нейросетевого моделирования / С.А. Филист, Р.А. Томакова, С.А. Горбатенко // Биотехносфера. -2010.- № 3 (9). - С. 54-60.

55.Филист, С.А. Гибридные интеллектуальные модели для сегментации изображений рентгенограмм грудной клетки/ С.А. Филист, Р.А. Томакова, С.В. Дегтярев, А.Ф. Рыбочкин// Медицинская техника. - №5. - 2017.- С. 41-45.

56. Филист, С.А. Клеточные процессоры в классификаторах многоканальных изображений/С.А. Филист, Р.А. Томакова, А.Н. Брежнева, И.А. Малютина, В.А. Алексеев//Радиопромышленность. -2019. -Т.29,№ 1.- С.45-52.

57. Филист, С.А. Метод каскадной сегментации рентгенограмм молочной железы/С.А. Филист, А.Р. Дабагов, Малютина, Д.С. Кондрашов //Известия ЮЗГУ. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. - Т.9. № 1(30) - С.49-61.

58. Филист, С.А. Метод классификации сложноструктурируемых изображений на основе самоорганизующихся нейросетевых структур / С.А. Филист, Р.А. Томакова, О.В. Шаталова, А.А. Кузьмин, К.Д.А. Кассим // Радиопромышленность. - 2016. - №4. - С. 57-65.

59. Филист, С.А. Нечеткая сетевая модель морфологического оператора для формирования границ сегментов / С.А. Филист, Р.А. Томакова, В.В. Руденко // Научные ведомости БелГУ. Серия: История. Политология. Экономика. Информатика. - 2011.- №1(96), Выпуск 17/1. - С. 188-195.

60. Филист, С.А. Развитие методологии бустинга для классификации флюорограмм грудной клетки / С.А. Филист, П.С. Кудрявцев, А.А. Кузьмин // Биомедицинская радиоэлектроника. - 2016. - №9. - С. 10-15.

61. Филист, С.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / С.А. Филист, К.Д.А. Кассим, А.А. Кузьмин, О.В. Шаталова, Е.А. Алябьев // Известия Юго-Западного государственного университета. - 2016. - №4(67). - С. 56-68.

62.Хьюбел, Д. Глаз, мозг, зрение: Пер.с англ.-М.:Мир,1990.- 239с.

63. Цифровая маммография в клинической практике // Сайт практического рентгенолога - Рентгенология, рентген, лучевая диагностика. - М.: Copyright, 2002. - URL:http://zhuravlev.info/a_190_-цифровая-маммография-в-клинической-практике (дата обращения 14.04.2019).

64. Чернова, Н.И. Математическая статистика: учеб. пособие / Н.И. Чернова. - Новосибирск: Новосиб. гос. ун-т, 2007. - 148 с.

65. Ayer, T. Breast cancer risk estimation with artificial neural networks revisited: discrimination and calibration / T. Ayer, O. Alagoz, J. Chhatwal, J. W. Shavlik, C. E. Kahn, and E. S. Burnside // Cancer. - 2010. - Vol. 116, No. 14. - Pp. 3310-3321.

66. Ayer, T. Comparison of logistic regression and artificial neural network models in breast cancer risk estimation / T. Ayer, J. Chhatwal, O. Alagoz, C.E. Kahn Jr, R.W. Woods, E.S. Burnside // Radiographics. - 2010. - Vol. 30, No. 1. - Pp. 13-22.

67.Baatz, М. Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation / M.Baatz, A.Schape// Journal of Photogrammetry and Remote Sensing.-2004.- Vol. 58, No. 3-4.- Pp.239-258.

68. Baker J.A. Breast cancer: prediction with artificial neural network based on BI-RADS standardized lexicon / J.A. Baker, P.J. Kornguth, J.Y. Lo, M.E. Williford, C.E. Floyd // Radiology. - 1995. - Vol. 196, No. 3. - Pp. 817-822.

69. Beam, C.A. Association of volume and volume-independent factors with accuracy in screening mammogram interpretation / C.A. Beam, E.F. Conant, E.A. Sickles // Journal of the National Cancer Institute. - 2003. - Vol. 95, No. 4. - Pp. 282290.

70. Biopsy // Breast cancer information. - Philadelphia: Copyright, 2006. - URL: http: //www.breastcancer.org/testing_biopsy.html.

71. Boyd, H.F. Mammographic density and the risk and detection of breast cancer / H.F. Boyd, Y. Gio, L.J. Martin // The New England Journal of Medicin. - 2007. - Vol. 356. - Pp.227-229.

72. Breast Cancer Facts & Figures 2011-2012 // American Cancer Society. Atlanta: Copyright, 2012. - URL: https://www.cancer.org/content/dam/cancer-

org/research/cancer-facts-and-statistics/breast-cancer-facts-and-figures/breast-cancer-facts-and-figures-2011-2012.pdf

73. Brown, M.L. Screening mammography in community practice: positive predictive value of abnormal findings and yield of follow-up diagnostic procedures / M.L. Brown, F. Houn, E.A. Sickles, L.G. Kessler // AJR. American journal of roentgenology. - 1995. - Vol. 165, No. 6. - Pp. 1373-1377.

74.Chan,H.P.Computer-aided detection of mammographic microcalcifications: Pattern recognition with an artificial neural network / H.P. Chan, S.C.B. Lo, B. Sahiner, K.L. Lam, M.A. Helvie // Medical Physics. - 1995. - Vol. 22, No. 10. - Pp. 1555-1567.

75. Chan, H.P. Computerized analysis of mammographic microcalcifications in morphological and texture feature spaces / H.P. Chan, B. Sahiner, K.L. Lam, N. Petrick, M.A. Helvie, M.M. Goodsitt, D.D. Adler // Medical physics. - 1998. - Vol. 25, No. 10. - Pp. 2007-2019.

76. Chan, H. P. Computerized classification of malignant and benign microcalcifications on mammograms: texture analysis using an artificial neural network / H.P. Chan, B. Sahiner, N. Petrick, M.A. Helvie, K.L. Lam, D.D. Adler, M.M. Goodsitt // Physics in Medicine & Biology. - 1997. - Vol. 42, No. 3. - Pp. 549-567.

77. Chan, H.P. Improvement of radiologists' characterization of mammographic masses by using computer-aided diagnosis: an ROC study / H.P. Chan, B. Sahiner, M.A. Helvie, N. Petrick, M.A. Roubidoux, T.E. Wilson, D.D. Adler, C. Paramagul, J.S. Newman, S. Sanjay-Gopal // Radiology. - 1999. - Vol. 212, No. 3. - Pp. 817-827.

78. Chan, E.C.Y. Promoting an ethical approach to unproven screening imaging tests / E.C.Y. Chan // Journal of the American College of Radiology. - 2005. - Vol. 2, No. 4. - Pp. 311-320.

79. Computer-Aided Detection for Digital Mammography syngo MammoCAD // Siemens. - Copyright, 2008. - C. 1-8. - URL: http://www.medical.siemens.com/siemens/en_INT/gg_sps_FBAs/files/brochures/cad/fi nalpdfMammoCAD.pdf (дата обращения: 29.03.2019).

80. Cook, N.R. Statistical evaluation of prognostic versus diagnostic models: beyond the ROC curve / N.R. Cook // Clinical chemistry. - 2008. - Vol. 54, No. 1. -Pp. 17-23.

81. Cook, N.R. Use and misuse of the receiver operating characteristic curve in risk prediction / N.R. Cook // Circulation. - 2007. - Vol. 115, No. 7. - Pp. 928-935.

82. Dayhoff, J.E. Artificial neural networks: opening the black box / J.E. Dayhoff, J.M. DeLeo, // Cancer: Interdisciplinary International Journal of the American Cancer Society. - 2001. - Vol. 91, No. S8. - Pp. 1615-1635.

83. Diamond, G.A. What price perfection? Calibration and discrimination of clinical prediction models / G. A. Diamond // Journal of clinical epidemiology. - 1992. - Vol. 45, No. 1. - Pp. 85-89

84. Dreiseitl, S. Logistic regression and artificial neural network classification models: a methodology review / S. Dreiseitl, L. Ohno-Machado // Journal of biomedical informatics. - 2002. - Vol. 35, No. 5-6. - Pp. 352-359.

85. Elmore, J.G. Variability in radiologists' interpretations of mammograms / J.G. Elmore, C.K. Wells, C.H. Lee, D.H. Howard, A.R. Feinstein // New England Journal of Medicine. - 1994. - Vol. 331, No. 22. - Pp. 1493-1499.

86. FUJIFILM Digital Mammography CAD // Fujifilm Europe. - М.: Copyright, 2019. - URL: http://www.fujifilm.eu/eu/products/medical-systems/products/p/fujifilm-digital-mammography-cad/ (дата обращения: 05.04.2019).

87. Giger, M.L. Computer-aided diagnosis in radiology / M.L. Giger // Academic Radiology. - 2002. - Vol. 9, No. 1. - Pp. 1-3.

88. Giger, M. L. Computer-aided diagnosis in mammography / M. Giger, Z. Huo, M. Kupinski // Handbook of medical imaging. - 2000. - Vol. 2. - Pp. 915-1004.

89. Gail, M.H. On criteria for evaluating models of absolute risk / M.H. Gail, R. M. Pfeiffer // Biostatistics. - 2005. - Vol. 6, No. 2. - Pp. 227-239.

90. Hadjiiski, L. Breast masses: computer-aided diagnosis with serial mammograms / L. Hadjiiski, B. Sahiner, M.A. Helvie, H.P. Chan, M.A. Roubidoux, C. Paramagul, C. Blane, N. Petrick, J. Bailey, K. Klein, M. Foster, S.K. Patterson, D. Adler, A.V. Nees, J. Shen // Radiology. - 2006. - Vol. 240, No. 2. - Pp. 343-356.

91. Hillman, B. J. Informed and shared decision making: an alternative to the debate over unproven screening tests / B. J. Hillman // Journal of the American College of Radiology: JACR. - 2005. - Vol. 2, No. 4. - Pp. 297-298.

92. Huo, Z. Automated computerized classification of malignant and benign masses on digitized mammograms / Z. Huo, M.L. Giger, C.J. Vyborny, D.E. Wolverton, R.A. Schmidt, K. Doi // Academic Radiology. - 1998. - Vol. 5, No. 3. - Pp. 155-168.

93. Huo, Z. Breast cancer: effectiveness of computer-aided diagnosis—observer study with independent database of mammograms / Z. Huo, M.L. Giger, C.J. Vyborny, C.E. Metz // Radiology. - 2002. - Vol. 224, No. 2. - Pp. 560-568.

94. Jesneck, J.L., Lo J. Y., Baker J. A. Breast mass lesions: computer-aided diagnosis models with mammographic and sonographic descriptors / J.L. Jesneck, J.Y. Lo, J.A. Baker // Radiology. - 2007. - Vol. 244, No. 2. - Pp. 390-398.

95. Jiang, Y. Comparison of independent double readings and computer-aided diagnosis (CAD) for the diagnosis of breast calcifications / Y. Jiang, C.E. Metz, R.M. Nishikawa, R.A. Schmidt // Academic radiology. - 2006. - Vol. 13. No. 1. - Pp. 84-94.

96. Jiang, Y. Improving breast cancer diagnosis with computeraided diagnosis / Y. Jiang, R.M. Nishikawa, R.A. Schmidt, C.E. Metz, M.L. Giger, K. Doi, // Academic Radiology. - 1999. - Vol. 6, No. 1, - Pp. 22-33.

97. Jiang, Y. Malignant and benign clustered microcalcifications: automated feature analysis and classification / Y. Jiang, R.M. Nishikawa, D.E. Wolverton, C.E. Metz, M.L. Giger, R.A. Schmidt, C.J. Vyborny, K. Doi // Radiology. - 1996. - Vol. 198, No. 3. - Pp. 671-678.

98. Jiang, Y. Potential of computer-aided diagnosis to reduce variability in radiologists' interpretations of mammograms depicting microcalcifications / Y. Jiang, R.M. Nishikawa, R.A. Schmidt, A.Y. Toledano, K. Doi // Radiology. - 2001. - Vol. 220, No. 3. - Pp. 787-794.

99. Kahneman, D. Judgment under uncertainty: Heuristics and biases / D. Kahneman, P. Slovic, and A. Tversky. - Cambridge, Cambridge University Press, 2001. - 557 p.

100.Kallergi, M.Computer-aided diagnosis of mammographic microcalcification clusters/ M. Kallergi // Medical physics. - 2004. - Vol. 31, No. 2. - Pp. 314-326.

101. Kerlikowske, K. Performance of screening mammography among women with and without a first-degree relative with breast cancer / K. Kerlikowske, P.A. Carney, B. Geller, M.T. Mandelson, S.H. Taplin, K. Malvin, V. Ernster, N. Urban, G. Cutter, R. Rosenberg, R. Ballard-Barbash // Annals of internal medicine. - 2000. - Vol. 133, No. 11. - Pp. 855-863.

102. Lawrence, J. Introduction to neural networks / J. Lawrence. - Nevada City, Calif, California Scientific Software, 1993. - 324 p.

103. Lo, J.Y. Effect of patient history data on the prediction of breast cancer from mammographic findings with artificial neural networks / J.Y. Lo, J.A. Baker, P.J. Kornguth, C.E. Floyd // Academic Radiology. - 1999. - Vol. 6, No. 1. - Pp. 10-15.

104. Mammographic Image Analysis Society (MIAS) database v1.21 // University of Cambridge. - London: Copyright, 2019. - URL https://www.repository.cam.ac.uk/handle/1810/250394 (дата обращения: 16.04.2019).

105. Markey, M.K. Impact of missing data in evaluating artificial neural networks trained on complete data / M.K. Markey, G.D. Tourassi, M. Margolis, D.M. DeLong // Computers in Biology and Medicine. - 2006. - Vol. 36, No. 5. - Pp. 516-525.

106. Maren, A.J. Handbook of neural computing applications / A.J. Maren, C.T. Harston, R.M. Pap. - San Diego, Calif, Academic Press, 1990. - 470 p.

107. Mazurowski, M. A. Impact of low class prevalence on the performance evaluation of neural network based classifiers: experimental study in the context of computer-assisted medical diagnosis / M.A. Mazurowski, P.A. Habas, J.M. Zurada, G.D. Tourassi // 2007 International Joint Conference on Neural Networks. - IEEE, 2007. - Pp. 2005-2009.

108. Mazurowski, M.A. Training neural network classifiers for medical decision making: The effects of imbalanced datasets on classification performance / M.A. Mazurowski, P.A. Habas, J.M. Zurada, J.Y. Lo, J.A. Baker, G. D. Tourassi // Neural networks. - 2008. - Vol. 21, No. 2-3. - Pp. 427-436.

109. Medical Imaging // Parascript. - М.: Copyright, 2019. - URL: http://www.parascript.com/medical-imaging/ (дата обращения: 10.04.2019).

110. Nagel, R.H. Analysis of methods for reducing false positives in the automated detection of clustered microcalcifications in mammograms / R.H. Nagel, R.M. Nishikawa, J. Papaioannou, K. Doi // Medical Physics. - 1998. - Vol. 25, No. 8. -Pp. 1502-1506.

111. National Center for Health Statistics et al. Health, United States, 2004 with Chartbook on Trends in the Health of Americans. Hyattsville, MD //National Center for Health Statistics. - 2004. - Vol. 92.

112. Olsen, C. Towards automatic image analysis for computerized mammography / C. Olsen; Ume University. - UmeÂ: Publ. Print och Media, 2008. -102 р.

113. Orr, R.K. Use of an artificial neural network to quantitate risk of malignancy for abnormal mammograms / R.K. Orr // Surgery. - 2001. - Vol. 129, No. 4. - Pp. 459466.

114. Papadopoulos, A. An automatic microcalcification detection system based on a hybrid neural network classifier / A. Papadopoulos, D.I. Fotiadis, A. Likas // Artificial intelligence in Medicine. - 2002. - Vol. 25, No. 2. - Pp. 149-167.

115. Parker, S. H. Percutaneous large-core breast biopsy: a multi-institutional study /S H Parker, F Burbank, R J Jackman, C J Aucreman, G Cardenosa, T M Cink, J L Coscia, Jr, G W Eklund, W P Evans, 3rd, P R Garver // Radiology. - 1994. - Vol. 193, No. 2. - Pp. 359-364.

116. Patel, B.C. An Adaptive K-means Clustering Algorithm for Breast Image Segmentation / B.C. Patel, G.R. Sinha // International Journal of Computer Applications. - 2010. - Vol. 10, No. 4. - Pp. 35-38.

117.Pat. US 20090080773 A1, IPC7 G0 K 9/34. Image segmentation using dynamic color gradient threshold, texture, and multimodal-merging / inventors and applicants Mark Shaw, Ranjit Bhaskar, Luis Garcia Ugarriza, Eli SABER, Vincent Amuso. - US 11/858,826; filling 20.07.2007; publication 26.03.2009. - 16 р. : fig.

118.Pat. US 5351305 A, IPC G 06 K 9/40. Concurrent smoothing and edge enhancement of medical diagnostic images / Christopher H. Wood, Fares Hajjar, Anthony Apicella, Kevin E. Matthews; assignee Picker International, Inc. - US 07/893,785; filling 05.06.1992; publication 27.09.1994. - 8 p.

119.Pat. WO 2009143651 A1, IPC7 G06T 5/00. Fast image segmentation using region merging with a k-nearest neighbor graph / Mantao Xu, Qiyong Guo, Hongzhi Liu, Jiwu Zhang; applicant Carestream Health, Inc. - PCT/CN2008/001046; filling 29.05.2008; publication 03.12.2009. - 16 p.

120. Rezai-Rad, G. Detecting microcalcification clusters in digital mammograms using combination of wavelet and neural network / G. Rezai-Rad, S. Jamarani // International Conference on Computer Graphics, Imaging and Visualization (CGIV'05). - IEEE, 2005. - Pp. 197-201.

121. Picano, E. Informed consent and communication of risk from radiological and nuclear medicine examinations: how to escape from a communication inferno / E. Picano // Bmj. - 2004. - Vol. 329, No. 7470. - Pp. 849-851

122. Sampat, M. P. Computer-aided detection and diagnosis in mammography / M.P. Sampat, M.K. Markey, A.C. Bovik // Handbook of image and video processing. -2005. - Vol. 2, No. 1. - Pp. 1195-1217.

123. Schwarzer, G. On the misuses of artificial neural networks for prognostic and diagnostic classification in oncology / G. Schwarzer, W. Vach, M. Schumacher // Statistics in medicine. - 2000. - Vol. 19, No. 4. - Pp. 541-561.

124. Sickles, E.A. Performance parameters for screening and diagnostic mammography: specialist and general radiologists / E.A. Sickles, D.E. Wolverton, K.E. Dee // Radiology. - 2002. - Vol. 224, No. 3. - Pp. 861-869.

125. Smith, R. A. American Cancer Society guidelines for breast cancer screening: update 2003 / R.A. Smith, D. Saslow, K.A. Sawyer, W. Burke, M.E. Costanza, W.P. Evans III, R.S. Foster Jr., E. Hendrick, H.J. Eyre, S. Sener // CA: a cancer journal for clinicians. - 2003. - Vol. 53, No. 3. - Pp. 141-169.

126. Smith-Bindman, R. Comparison of screening mammography in the United States and the United Kingdom /R. Smith-Bindman, P.W. Chu, D.L. Miglioretti, E.A.

Sickles, R. Blanks, R. Ballard-Barbash, J.K. Bobo, N.C. Lee, M.G. Wallis, J. Patnick, K. Kerlikowske // Jama. - 2003. - Vol. 290, No. 16. - Pp. 2129-2137.

127. Stafford, R.G. Application of neural networks to computer-aided pathology detection in mammography / R.G. Stafford, J. Beutel, D.J. Mickewich, S.L. Albers // Medical Imaging 1993: Physics of Medical Imaging. - International Society for Optics and Photonics, 1993. - Vol. 1896. - Pp. 341-352.

128. The mini-MIAS database of mammograms // PEIPA, the Pilot European Image Processing Archive. - London: Copyright, 2012. - URL: http://peipa.essex.ac.uk/info/mias.html (дата обращения: 16.04.2019).

129. Tomakova, R.A. Automatic fluorography segmentation method based on histogram of brightness submission in sliding window/R.A. Tomakova, S.A. Filist, A.I. Pykhtin//International journal of pharmacy and technology.-2017.- No. 1.-Pp.28220-28228.

130. Tomakova, R.A. Development and research of methods and algorithms for intelligent systems for complex structured images classification/R.A. Tomakova, S.A. Filist, A.I. Pykhtin//Journal of Engineering and Applied Sciences.- 2017.- Vol. 12, No. 22.- Pp. 6039-6041.

131. Tomakova, R.A. Comparative analysis of segmentation efficiency method the halftont image based on the selection of priority direction of machining segment boundaries/ R.A. Tomakova, S.A. Filist, A.I.Pykhtin// International Journal of Applied Engineering Research. -2016. - Vol. 11, No. 5. - Pp. 3199-3206.

132. Tomakova, R.A. Intelligent medical decision support system based on internet-technology /R.A. Tomakova, S.A. Filist, A.I. Pykhtin, A.N. Shutkin // International Multidisciplinary Scientific GeoConference SGEM.- 2016.- No.2-1. - Pp 263-270.

133. Tomakova, R.A. The Role of Hybrid Classifiers in Problems of Chest Roentgenogram Classification/R.A. Tomakova, S.A. Filist, R. Veynberg, A. Brezhnev and A. Brezhneva//Advances in Intelligent Systems and Computing.-2018.- Vol. 902.-Pp.293-303.

134. Tourassi, G.D. A neural network approach to breast cancer diagnosis as a constraint satisfaction problem / G.D. Tourassi, M.K. Markey, J.Y. Lo, C.E. Floyd // Medical Physics. - 2001. - Vol. 28, No. 5. - Pp. 804-811.

135. Tourassi, G.D. Validation of a constraint satisfaction neural network for breast cancer diagnosis: new results from 1030 cases / G.D. Tourassi, J.Y. Lo, M.K. Markey // Medical imaging 2003: image processing. - International Society for Optics and Photonics, 2003. - Vol. 5032. - Pp. 207-214.

136. Tu, J.V. Advantages and disadvantages of using artificial neural networks versus logistic regression for predicting medical outcomes / J.V. Tu // Journal of clinical epidemiology. - 1996. - Vol. 49, No. 11. - Pp. 1225-1231.

137. Wilkie, J.R. Comparison of radiographic texture analysis from computed' radiography and bone densitometry systems / J.R. Wilkie, M.L. Giger, M.R. Chinander //Med. Phys. - 2004. - Vol. 31. - Pp. 882-891.

138. Wilson, P.W.F. Prediction of coronary heart disease using risk factor categories / P.W.F. Wilson, R.B. D'Agostino, D. Levy, A.M. Belanger, H. Silbershatz, W.B. Kannel // Circulation. - 1998. - Vol. 97, No. 18. - Pp. 1837-1847.

139. Wu, Y. Artificial neural networks in mammography: application to decision making in the diagnosis of breast cancer / Y. Wu, M.L. Giger, K. Doi, C.J. Vyborny, R.A. Schmidt, C.E. Metz // Radiology. - 1993. - Vol. 187, No. 1. - Pp. 81-87.

140. Wu, Y. Computerized detection of clustered microcalcifications in digital mammograms: applications of artificial neural networks / Y. Wu, K. Doi, M.L. Giger, R.M. Nishikawa // Medical physics. - 1992. - Vol. 19, No. 3. - Pp. 555-560.

141. Wun, L.M. Estimating lifetime and age-conditional probabilities of developing cancer / L.M. Wun, R.M. Merrill, E.J. Feuer // Lifetime data analysis. -1998. - Vol. 4, №. 2. - Pp. 169-186.

142. Zhang L. A new false positive reduction method for MCCs detection in digital mammography / L. Zhang, W. Qian, R. Sankar, D. Song, R. Clark // 2001 IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings (Cat. No. 01CH37221). - IEEE, 2001. - Vol. 2. - Pp. 1033-1036.

143.Zhang,W.Computerized detection of clustered microcalcifications in digital mammograms using a shift-invariant artificial neural network/W.Zhang, K. Doi, M.L. Giger, Y. Wu, R.M. Nishikawa, R.A. Schmidt // Medical Physics. - 1994. - Vol. 21, No. 4. - Pp. 517-524.

144. Zuckerman, H. C. The role of mammography in the diagnosis of breast cancer / H. C. Zuckerman // Breast cancer, diagnosis and treatment. - 1987. - Pp. 152172.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.