Методы и алгоритмы интеллектуальной системы диагностики сосудистой патологии сетчатки глаза на основе контурного спектрального анализа и нейросетевого моделирования тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат технических наук Насер Адел Абдулсалам

• Насер Адел Абдулсалам
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Насер Адел Абдулсалам

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ.

1.1. Современные представления об этиологии и патогенезе сосудистых заболеваний сетчатки.

1.1.1. Инволюционные и атеросклеротические изменения сосудов сетчатой оболочки. 1.2. Орган зрения при артериальной гипертонии.

1.2. Использование автоматизированных систем поддержки принятия решений в офтальмологии.

1.3. Классифицирующие модели на основе анализа центральной линии кровеносного сосуда.

1.4. Цель и задачи исследования.

ГЛАВА 2. ФОРМИРОВАНИЕ ПРИЗНАКОВОГО ПРОСТРАНСТВА НА ОСНОВЕ СПЕКТРАЛЬНОГО АНАЛИЗА ЦЕНТРАЛЬНЫХ ЛИНИЙ СОСУДОВ В ЗАДАЧАХ КЛАССИФИКАЦИИ ПАТОЛОГИЧЕСКИХ ИЗМЕНЕНИЙ СТРУКТУРЫ СОСУДИСТОЙ СИСТЕМЫ ГЛАЗНОГО ДНА.

2.1. Разработка метода математического моделирования центральной линии кровеносного сосуда на основе морфологической обработки бинарных изображений.

2.2. Исследования методов спектрального представления контуров минимальной толщины.

2.3. Метод формирования пространства информативных признаков на основе дескрипторов Фурье при анализе сосудов на изображении глазного дна.

2.4. Выводы второй главы.

ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЯ СЕТЕВЫХ ТЕХНОЛОГИЙ, ПРЕДНАЗНАЧЕННЫХ ДЛЯ ВЫДЕЛЕНИЯ СОСУДОВ ПА ФОТОГРАФИЯХ ГЛАЗНОГО ДНА.

3.1. Разработка универсальной сетевой структуры для задач двухальтернативной классификации.

3.2. Структура решающих модулей сетевых моделей.

3.2.1. Структура первого решающего модуля.

3.2.2. Структура второго решающего модуля.

3.3. Алгоритмическое и программное обеспечение моделирования решающих модулей.

3.4. Выводы третьей главы.

ГЛАВА 4. РЕАЛИЗАЦИЯ И РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ.

4.1. Структура автоматизированной системы поддержки принятия решений врача офтальмолога.

4.2. Экспериментальные исследования эффективности классификации извилистости сосудов сетчатки.

4.3. Нейронные сети с макрослоями для классификации и прогнозирования сосудистой патологии глазного дна.

4.4. Формирование нелинейных отображений на входах слоев НМС для диагностики и прогнозирования тромбоза центральной вены сетчатки и ее ветвей.

4.5. Оценка эффективности правил прогнозирования и диагностики степени тяжести тромбозов центральной вены сетчатки и ее ветвей

4.6. Выводы четвертой главы.

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы интеллектуальной системы диагностики сосудистой патологии сетчатки глаза на основе контурного спектрального анализа и нейросетевого моделирования»

Актуальность темы. Сосудистые патологии сетчатки глаза являются одной из ключевых проблем современной офтальмологии. Несмотря на значительные успехи, достигнутые за последние десятилетия в диагностике и лечении офтальмологических заболеваний, число больных с поражениями сетчатки сосудистого генеза продолжает увеличиваться (Брапчевский С.Л., Тутаева Е.С., Водовозов A.M., Кацнельсон Л.А., Durcey N.M. и др.).

В связи с тем, что эффективность лечения сосудистой патологии глаз в значительной мере зависит от точности определения ее стадий и степени тяжести, одним из основных направлений в профилактике и лечении этих заболеваний является совершенствование методов их дифференциальной диагностики, включая прогнозирование возникновения заболеваний и донозологическую диагностику (Гаврилова H.A., Храмов А.Г., Купеев В.Г. и др.).

Для повышения достоверности диагностики сосудистых заболеваний глаз с учетом ограничений на оперативность и качество используют комплекс геометрических характеристик сосудов сетчатки. Однако измерения и объективная оценка этих показателей вызывает определенные трудности, связанные с нечеткостью и зашумленностью фотографического изображения глазного дна, как офтальмологического гак и флюоресцентно-ангиографического. Наиболее успешно в настоящее время выделяется центральная линия сосудов сетчатки (ЦЛСС) глаза, поэтому целесообразно для оценки состояния сосудов использовать именно эту характеристику (Ильясова И.10., Корепанов А.О., Куприянов A.B. и др.).

Для анализа кривых сложной формы используются дескрипторы Фурье (Яне Б.). При решении аналогичных задач в офтальмологии необходимо учитывать, что множество точек (пикселей) изображения, определенного ЦЛСС, не является выпуклым, а ЦЛСС - замкнутой. Это приводит к ограничениям на использование известных методов спектрального анализа сложных изображений. Для преодоления этих ограничений необходимы методы, позволяющие выполнить морфизм признакового пространства, позволяющий использовать аппарат Фурье -анализа для классификации сложных изображений.

В тоже время, анализ только геометрических характеристик сосудов не может дать однозначного решения по диагностике и выбору тактики лечения. Поэтому необходимы методы и алгоритмы, позволяющие интефировать частные решения по разнотипным данным в финальное решение, присутствующее на выходе интеллектуальной системы.

Таким образом, актуальной научно-технической задачей исследования является повышение качества диагностики патологии сосудов сетчатки на основе объективного анализа и количественной оценки геометрической формы сосудов на фотографическом изображении глазног о дна.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 20092013 годы (государственный контракт № П424 от 12 мая 2010 г.) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Фотографические изображения сетчатки глаза без патологии и с сосудистой патологией.

Предмет исследования. Методы и алгоритмы для интеллектуальной системы диагностики сосудистой патологии сетчатки глаза.

Цель работы. Разработка методов и алгоритмов для интеллектуальной системы диагностики сосудистой патологии сетчатки глаза на основе контурного спектрального анализа и нейросетевого моделирования, обеспечивающих повышение качества выявления патологий в условиях нечетко выраженных сегментов на фотографиях изображения глазного дна.

Для достижения поставленной цели в работе решены следующие задачи:

• исследованы методы и алгоритмы формирования пространства информативных признаков для классификации состояния сосудов сетчатки; разработан метод математического моделирования центральной линии сосуда сетчатки, предназначенный для интеллектуальной системы диагностики сосудистой патологии сетчатки, а также структурные и алгоритмические решения для его реализации;

• разработан метод формирования информативных признаков для нейронной сети, классифицирующей сосудистые заболевания глазного дна на основе анализа модели изображения центральной линии кровеносных сосудов глазного дна; в созданы сетевые структуры и алгоритмы их функционирования, предназначенные для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки глаза;

• разработана структура интеллектуальной системы диагностики сосудистых патологий сетчатки глаза и на ее основе проведена апробация предложенных методов, алгоритмов и специального программного обеспечения в клинической практике врача-офтальмолога.

Методы исследования. Для решения поставленных задач использовались методология искусственного интеллекта, методы теории биотехнических систем, морфологического анализа изображений, теории нейронных сетей и распознавания образов, теории спектрального анализа, статистического анализа, экспертного оценивания и принятия решений. При разработке нейросетевых моделей и модулей нечеткого вывода в качестве инструментария использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод построения математической модели сегмента центральной линии сосуда сетчатки, основанный на морфологической обработке бинарных или полутоновых фотографических изображений глазного дна, отличающийся тем, что путем использования цепочки, состоящей из четырех морфологических операторов, множество пикселей изображения, описывающих центральную линию кровеносного сосуда, дополняется до двух непересекающихся подмножеств, границы которых устанавливаются по нижней и верхней границам координат пикселей, входящих в исходное изображение, позволяющий представить изображение любой кривой, в том числе и незамкнутой, в виде контура минимальной толщины;

- метод формирования пространства информативных признаков для нейронной сети, классифицирующей центральные линии сосудов сетчатки глаза, основанный па определении дескрипторов Фурье соответствующего контура минимальной толщины, отличающийся тем, что после получения отсчетов спектра Фурье контура, число спектральных отсчетов дополняется нулевыми отсчетами, амплитуда спектральных составляющих увеличивается на величину, прямо пропорциональную величине расширения спектра, а затем число дескрипторов Фурье отсекается до оптимального значения, определяемого путем минимизации функционала ошибки, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах;

- сетевая структура классификации двухальтернативных данных, включающая два решающих модуля, отличающаяся тем, что первый решающий модуль имеет сетевую структуру, соответствующую модели Арнольда-Колмогорова, в котором узлы первого скрытого слоя выполняют нелинейные отображения, узлы второго скрытого слоя нейроны асШ'те, а второй решающий модуль предназначен для управления формой нелинейных отображений в первом скрытом слое первого решающего модуля в зависимости от окружения анализируемого пикселя изображения, позволяющая формировать центральную линию сосудов сетчатки глаза;

- алгоритмы формирования моделей сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна, отличающиеся использованием итерационных процедур настройки решающих модулей и итерационным процессом управления структурой скрытых слоев решающих модулей, входящих в настраиваемую модель, позволяющие получать модели сетевых структур, удовлетворяющие априорно заданным параметрам качества классификации.

Практическая значимость и результаты внедрения работы. Разработанные методы и алгоритмы составили основу построения интеллектуальной системы поддержки принятия решений для врача -офтальмолога, предназначенной для диагностики сосудистых заболеваний сетчатки глаза, экспериментальные испытания которой показали целесообразность ее использования в медицинской практике. Применение предложенных в диссертации разработок позволяет создавать информационное обеспечение систем поддержки принятия решений для проведения лечебно-оздоровительных мероприятий при офтальмологических заболеваниях.

Основные теоретические и практические результат!,I работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных»), и использованы в ходе профилактических обследований больных сахарным диабетом в ОБУЗ Офтальмологическая клиническая больница - Офтальмологический центр (г. Курск).

Экономическая и социальная значимость результатов диссертационного исследования состоит в улучшении качества медицинского обслуживания населения, страдающего офтальмологическими заболеваниями.

Соответствие диссертации паспорту научной специальности. Содержание диссертации соответствует п. 2 «Исследование, разработка и создание медицинской техники, изделий, инструментов, методов и способов диагностики и лечения человека, которые рассматриваются как средства восстановления нарушенной поливариантной системы» области исследования специальности 05.11.17 - Приборы, системы и изделия медицинского назначения.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Научно-технической конференции «Современные проблемы образования» (Курск, 2010); на И Региональной научно-практической конференции «Актуальные проблемы инфотелекоммуникации» (Курск, 2010); на IV Международной научно-методической конференции «Образование. Инновация. Качество», (Курск,

2010); XXIV Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы (Биомедсистемы - 2011)» (Рязань,

2011); на Международной научно-практической конференции «Информационные технологии в экономике, образовании и бизнесе» (Саратов, 2011); X Международной научно-технической конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2012» (Курск, 2012); на региональном научнотехническом семинаре «Инновационные научно-технические разработки и направления их реализации» (Курск, 2012); X Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии» (Владимир, 2012); на XX Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2012); на XV Международной научно-технической конференции «Медико-экологические информационные технологии» (Курск, 2012); на Международной научной конференции «Компьютерное моделирование в науке и технике» (Андорра, 2012); на Международной научной конференции «Фундаментальные и прикладные исследования в медицине» (Сочи, 2012); IX Международной научно-практической конференции «Перспективы развития информационных технологий» (Новосибирск, 2012), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2010, 2011, 2012).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 11 печатных работ, из них 4 работы в рецензируемых научных журналах.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [6] и [7] автор предложил методы и алгоритмы для спектрального анализа центральных линий сосудов сетчатки глаза; в [2], [3], [4], |9J и [10] соискателем предложены структуры нечетких нейросетевых решающих модулей и алгоритмы их обучения, предназначенных для классификации сосудов глазного дна; в [5] автором исследованы интеллектуальные морфологические операторы для анализа сложноструктурируемых изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 111 отечественных и 17 зарубежных наименований. Работа изложена на 142 страницах машинописного текста, содержит 58 рисунков и 10 таблиц.

Заключение диссертации по теме «Приборы, системы и изделия медицинского назначения», Насер Адел Абдулсалам

4.6. Выводы четвертой главы

1. Разработана структура автоматизированной системы поддержки принятия решений врача - офтальмолога, позволяющая анализировать состояние сосудов глазного дна и, используя группы дополнительных факторов риска диагностируемых заболеваний, осуществлять прогнозирование и дифференциальную диагностику сосудистых заболеваний глазного дна.

2. Проведены исследования нейронных сетей, предназначенных для классификации кривизны сосудов сетчатки глазного дна, использующих в качестве входного пространства информативных признаков дескрипторы Фурье. Исследования показали, что рассматриваемые классы объектов («норма» и «патология») являются разделимыми в предложенном признаковом пространстве. Анализ показателей качества классификации показал эффективность разработанного признакового пространства в применении к задаче классификации кровеносных сосудов глазного дна. Предложенный метод формирования признакового пространства обеспечивает диагностическую эффективность на уровне 93% и может быть использован для автоматизированной диагностики патологических изменений кровеносных сосудов глазного дна.

3. Для прогнозирования и дифференциальной диагностики заболеваний сосудов глазного дна предложено использовать нейронные сети с макрослоями, использующие для диагностических заключений К групп информативных признаков и включающие К+1 макрослой, отличающиеся тем, что в каждом макрослое содержится столько нейронных сетей, сколько классов заболеваний выделяет нейронная сеть с макрослоями, а число нейронов в первом слое каждой нейронной сети К первых макрослоев определяется размерностью признакового пространства, закрепленного за данным макрослоем, а число нейронов в нейронных сетях последнего макрослоя определяется числом групп информативных признаков, используемых для диагностики сосудистых патологий глазного дна.

4. Полученные нелинейные отображения для первого скрытого слоя нейронных сетей, предназначенных для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки, получаемые в результате дополнительного разведочного анализа в выделенных группах информативных признаков, позволяют настроить нейронную сеть для прогнозирования и диагностики тромбоза вен сосудов сетчатки и ее ветвей.

5. Проведены испытания разработанной автоматизированной системы на примере прогнозирования и дифференциальной диагностики степени тяжести тромбоза вен сосудов сетчатки и ее ветвей. Исследования, проведенные на репрезентативных контрольных выборках, показали, что предлагаемы правила прогноза и дифференциальной диагностики степени тяжести тромбозов центральной вены сетчатки и ее ветвей обеспечивают уверенность в правильном принятии решений на уровне 0,9.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для анализа сложносгруктурируемых изображений в интеллектуальных системах диагностики сосудистой патологии сетчатки глаза.

В диссертации получены следующие основные результаты.

1. Исследованы методы и алгоритмы формирования пространства информативных признаков для классификации состояния сосудов сетчатки. На основе проведенного анализа предложено в интеллектуальных системах диагностики сосудистых патологий сетчатки глаза по результатам анализа изображений глазного дна использовать спектральные методы обработки изображений и решающие модули, построенные на основе сетевых моделей.

2. Разработан метод математического моделирования центральной линии кровеносного сосуда, основанный на морфологической обработке бинарных и полутоновых изображений, предназначенный для интеллектуальной системы диагностики сосудистой патологии сетчатки, а также структурные и алгоритмические решения для его реализации, позволяющие представить любую кривую, в том числе и ветвящуюся, в виде контура минимальной толщины.

3. Разработан метод формирования информативных признаков для нейронной сети, классифицирующей центральные линии кровеносных сосудов сетчатки глаза, основанный на вычислении дескрипторов Фурье контура минимальной толщины, соответствующего этой линии, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах.

4. Созданы многомодульные сетевые структуры и алгоритмы их функционирования, предназначенные для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки глаза, включающие:

- математическую модель для построения универсальных сетевых структур, предназначенных для классификации двухальтернативиых выборок при решении задач сегментации сложноструктурируемых изображений;

- алгоритм получения нелинейных отображений в первом скрытом слое первого решающего модуля;

-алгоритм формирования моделей сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна;

- алгоритм формирования моделей первого решающего модуля сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна, позволяющий получить модель первого решающего модуля, удовлетворяющую требуемым параметрам качества классификации;

- программное обеспечение для формирования сетевых моделей, предназначенных для классификации пикселей на офтальмологическом изображении глазного дна при сосудистой патологии, включающее интерактивные среды настройки функциональных блоков сетевых структур, реализованное в среде Ма^аЬ 7.0.

5. Разработана структура интеллектуальной система диагностики сосудистых патологий сетчатки глаза, включающая: нейронные сети с макрослоями, использующие для диагностических заключений по группе информативных признаков, получаемых по различным методикам и технологиям;

- нелинейные отображения для первого скрытого слоя нейронных сетей, получаемые в результате дополнительного разведочного анализа в выделенных группах информативных признаков, позволяющие настроить нейронную сеть для прогнозирования и диагностики тромбоза вен сосудов сетчатки и ее ветвей

6. Проведенные исследования на репрезентативных контрольных выборках показали:

- предложенный метод формирования признакового пространства обеспечивает получение решающих правил, диагностическая эффективность которых при решении задачи классификации сосудов сетчатки глаза «норма» - «патология» составляет 93% и может быть использован для автоматизированной диагностики патологических изменений кровеносных сосудов глазного дна;

- предлагаемые правила прогноза и дифференциальной диагностики степени тяжести тромбозов центральной вены сетчатки и ее ветвей обеспечивают уверенность в правильном принятии решений на уровне 0,9 и могут быть использованы в клинической практике.

Список литературы диссертационного исследования кандидат технических наук Насер Адел Абдулсалам, 2012 год

1. Автоматизированные медико-технологические системы в 3-х частях: Монография /А.Г. Устинов, В.А. Ситарчук, H.A. Кореневский; Под ред. А.Г.Устинова. Курск, гос. техн. ун-т. Курск, 1995. 390 с.

2. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика / С.А. Айвазян, B.C. Мхитрян. 2-е изд., испр. М.: ЮНИТИ-ДАПА, 2001.656 с.

3. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов: В 2 т. Т. 2. Основы эконометрики. / С.А. Айвазян. 2-е изд., испр. М.: ЮПИТИ-ДАНА, 2001. 432 с.

4. Аксёнов, C.B. Повышение качества распознавания сцен нейронной сетью «Нсокогнитрон» / C.B. Аксёнов, В.Б. Новосельцев // Известия Томского политехнического университета. 2006. Т. 309. № 7. С.87-91.

5. Александров В.В., Алексеев А.И., Горский Н.Д. Анализ данных на ЭВМ (на примере системы СИТО). М.: Финансы и статистика, 1990. 245с.

6. Ахметшина, Л.Г. Адаптивная инверсная фильтрация низкоконтрастных изображений на основе комбинации методов автоморфного отображения и нейросетевого синтеза. / Л.Г.Ахметшина, A.M Ахмегшин. // Искусственный интеллект. 2006. №4. С. 264-274.

7. Ахутин В.М. Биотехнические системы. JL: ЛГУ, 1979. 257 с.

8. Башков, Е.А. Статистическая кластеризация для выделения регионов изображений / Е.А. Башков, О.Л. Вовк // Зб1рник праць V М1жнародно'1 науково'1 конференцп «1нтелектуальний анал1з ¡нформацп». -«Просв1та», Khïb. 2005. С. 50-59.

9. Беляев, И. А. Применение принципов формального моделирования для классификации медицинских изображений / И. А. Беляев, С. В. Кучерявский // Барнаул МКО. Т2. 2007. С. 355-361.

10. Бранчевский СЛ., Гаврилова H.A., Ильясова И.Ю., Храмов А.Г. Система цифрового анализа для диагностики сосудистой патологии глазного дна //Вестник офтальмологии. №5, 2003. С. 57-61.

11. Бунин А.Я., Форофонова Т.И., Кацнельсон JI.A. Сосудистые заболевания глаз. М: Медицина, 1990. С. 126-154.

12. Вежнсвец, А. Выделение связных областей в цветных и полутоновых изображениях / А. Вежневец// On-Line журнал Графика и мультимедиа. 2003.

13. Вежневец, А. Методы сегментации изображений: автомат ическая сегментация / А.Вежневец, О. Баринова // Режим доступа: http ://cgm.computergraphics.ru/content/vievv/147.

14. Вершовский, Е.А. Предварительная обработка изображений методами интеллектуального анализа многомерных данных. / Е.А. Вершовский //Известия Южного федерального университета. Технические науки. 2008. Т. 79. №2.

15. Гай, Е.В. Адаптивный алгоритм сегментации изображений / В.Е. Гай, A.J1. Жизняков // Муромский институт (филиал) Владимирского государственного университета им. А.Г. и Н.Г. Столетовых. Инфокоммупикационпые технологии. Т.6, №4. 2008. С. 96-101.

16. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974. 386 с.

17. Гимелъфарб Г.Л., Гиббсовские случайные поля как вероятностные модели изображений на нижнем уровне вычислительного зрения. / Г.Л. Гимелъфарб, A.B. Залесный //Методы обработки сигналов и полей: Межвузовский сборник научных трудов. Ульяновск. 1995.

18. Гиренко, A.B. Методы корреляционного обнаружения объектов. / A.B. Гиренко, В.В. Ляшенко, Машталир и др.. // Харьков. АО «БизнесИнформ». 1996. 112 с.

19. Голембо З.Б., Зинкевич В.П. Средства и методы обработки медико-биологической информации на ЭВМ //Итоги науки и техники. Серия техническая кибернетика. Биология (методы в биологических исследованиях). 1989. Т. 26. С. 35-39.

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

21. Гороховатский, В.А. Корреляционные методы распознавания изображений путем голосования систем фрагментов/ В.А. Гороховатский, Е.О. Передрий//Радиоэлектроника. Информатика. Управление. №1. 2009.

22. Давыдов, A.B. Цифровая обработка сигналов: Тематические лекции / A.B. Давыдов //Екатеринбург: УГГУ, ИГиГ, кафедра геоинформатики. 2007-2010. Режим доступа: hUp://\vww.prodav.narod.ru/dsp/index.html.

23. Дегтярев, C.B. Оптико-электронное устройство для диагностики тромбоза глубоких вен голени / C.B. Дегтярев, С.Ю. Мирошниченко // Вестник новых медицинских технологий. Тульский государственный университет. 2006. Т. 13, №2. С. 156-157.

24. Джуманов, О.И. Адаптивная нейросегевая система визуализации изображений, распознавания и классификации микрообъектов / О.И. Джуманов // Проблемы информатики. 2009. С.63 72.

25. Диаморф объектив современное программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях. Режим доступа: http://wvvw.diamoфh.ru/aboulprog.http.

26. Дмитриев, A.B. Распознавание дерматоглифических признаков на основе нейронных сетей / A.B. Дмитриев, А.Н. Ветров // Медицинские информационные системы МИС-2006. Таганрогский государственный радиотехнический университет. Таганрог. 2006. С. 162-167.

27. Дубровин Б.А., Новиков С.П., Фоменко А/Г. Современная геометрия: методы и приложения. М.: Эдиториал УРСС. 1998. Т.1

28. Дуда Р., Харт Р. Распознавание образов и анализ сцен. М.: Мир, 1976. 328 с.

29. Ермоленко, A.B. Алгоритм поиска примитивов на фотографиях с применением нейронных сетей/ A.B. Ермоленко, A.A. Козличенков // Часть 2. Нейроинформатика. 2010.

30. Жилин, В.В. Математические методы обработки многомерных данных и временных рядов: учебное пособие / В.В. Жилин, A.A. Кузьмин, С. А. Фил ист и др.; Курск, гос. Сельскохозяйственная академия. Курск, 2008. 229 с.

31. Жук, C.B. Обзор современных методов сегментации растровых изображений / С.В Жук // Известия Волгоградского государственного технического университета: Межвуз. сб. научн. ст. / ВолгГТУ. -Волгоград, 2009. №6. С. 115-118.

32. Журавель, И.М. Краткий курс теории обработки изображений. / И.М.Журавель // М.: 2004.

33. Заде JI.A. Понятие лингвистической переменной и ее применение к принятию приближенных решений. М.: Мир, 1976. 312 с.

34. Заявка 2003106128 Российская Федерация. Способ диагностики сосудистой патологии глазного дна / Ильясова Н. Ю., Бранчевский С. J1., Храмов А. Г., Устинов А. В., Гаврилова Н. А., Ланевская Н. И., Дурасов А.

35. Б.; заявитель Ильясова Н. Ю., Бранчевский С. Л., Храмов А. Г., Устинов А. В., Гаврилова Н. А., Ланевская II. И., Дурасов А. Б. № 2003106128/14; заявл. 05.03.03; опубл. 27.08.04.

36. Ильясова, Н.Ю. Метод выделения центральных линий кровеносных сосудов / НЛО. Ильясова, А.О. Корепанов, П.М. Чикулаев // Компьютерная оптика 2006. №29. С.146-150,

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

38. Искусственный интеллект: в 3 кн. /Под ред. Э.В. Попова. М.: Радио и связь, 1990. 421 с.

39. Кацнельсон Л.А., Лысенко B.C., Балишанская Т.И. Клинический атлас патологии глазного дна Издательство: ГЭОТАР-Медиа, 2008. 120 с.

40. Кацнельсон, Л.А. Клинические формы диабетической рет инопатии/ Л.А. Кацнельсон // Вестник офтальмологии, 1989. № 5. - С. 43-47.

41. Кварнстром, М. Алгоритмы анализа изображения для распознавания контура дрожжевых клеток Электронный ресурс. / М. Кварнстром// Пер. с англ. Батлук Н.С. Режим доступа: http://maslers.donntu.cdu.ua/2009/kita/batluk library/imageanalysis ru.pdf

42. Ковтун, И.В. Текстурная сегментация изображений на основании Марковских случайных полей / И.В. Ковтун // УСиМ. 2003. № 4. С. 46-55.

43. Кореневский H.A. Полифункциональная система интеллектуальной поддержки принятия решений по рационализации лечебно-диагностических процессов //Вестник новых медицинских технологий. ВНМТ. Тула, 1996. Т.З. №2 С. 43-46.

44. Кореневский H.A., Тутов Н.Д., Корженевич И.М. Способы представления разнотипных в данных задачах медицинских и экологических исследований // Известия Курского государственного технического университета, КГТУ, Курск, 1998, №2 с. 56-63.

45. Корепанов, А.О. Обнаружение границ радужной оболочки с использованием преобразования Хоу / А.О. Корепанов // Вестник СГАУ.2008. С. 235-240

46. Коротких В.Ф., Кореневский H.A. Синтез логических решающих правил в задачах медицинской диагностики //Медико-экологические информационные технологии: Материалы второй международной научно-технической конференции, 1999. С. 36-38.

47. Коскас, Г. Комплексная диагностика патологии глазного дна / Г.Коскас, Ф. Коскас, А. Зурдан . М.: Практическая медицина. 2007. -469с.

48. Куприянов, A.B. Оценивание диагностических параметров сосудов на изображениях глазного дна в области диска зрительного нерва / A.B. Куприянов, Ильясова Н.Ю., Ананьин М.А. //Компьютерная оптика. 2006. №29. С.141-145.

49. Лбов Г.С. Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука, 1981.

50. Луценко, М.Т. Автоматизированная система распознавания объектов на микроскопических изображениях биологических образцов. / М.Т. Луценко, Н.В. Ульянычев, Н.П. Семичевская // Бюллетень физиологии и патологии дыхания. 1999. №3.

51. Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. М.: Энергоатом из дат, 1991. 136 с.

52. Мариничев, К. Алгоритмы выделения параметрических кривых на основе преобразование Хафа./ К. Мариничев, В. Вежневец // Компьютерная рафика и мультимедиа. 2006. №4 (1)

53. Мартынкина, Л.П. Информативность экспресс-латекс-тестов при использовании видеоцифровой регистрации / Л.П. Мартынкина, Т.А. Старовойтова, H.A. Стериополо и др. // Клинико-лабораторный консилиум. Сб П. 2009. №6. С.56-62.

54. Матюнин, С.А. Моделирование состояния эндотелиальных клеток по их фотоизображению / С.А. Матюнин, Н.С. Селиверстова // Компьютерная оптика. 2002. Т. 24. С. 173-177.

55. Медовый, B.C. Автоматизированные цитофотомстрические тесты мазков крови для общей клиники и скрининговых обследований населения / B.C. Медовый, В.А. Балабуткин, Н.В. Верденская // Клин, лабор. диагностика. 1997. №10. С. 6-8.

56. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Расплывчатые ситуационные модели принятия решений: Учеб. пособие. Таганрог: ТРТИ, 1986.

57. Михайлов, В.Н. Автоматизированный офтальмологический комплекс Атлант-Retina / В.Н. Михайлов, Н.С. Бургова, A.B. Корогодин и др. I //Электронный ресурс: http://library.mephi.ru/data /scientifïc-sessions/1998/5/196.hlml.

58. Михалец, B.B. Обзор методов сегментации полутонового цифрового изображения / В. В. Михалец // Режим доступа: http://masters.donntu.edu.ua/2010/fknt/deputat/links/index.htm.

59. Модели принятия решений па основе лингвистической переменной /Борисов А.Н., Алексеев A.B., Крумберг O.A. и др. Рига: Зинятие, 1982.212 с.

60. Моржаков, В. Современные биометрические методы идентификации / В. Моржаков, А. Мальцев // Безопасность. Достоверность. Информация. 2009. № 83. С. 44-48.

61. Научная сессия МИФИ-2003. V Всероссийская научно-техническая конференция «НЕЙРОИНФОРМАТИКА -2003»: Лекция по нейроинформатике. Часть 1. М.: МИФИ, 2003. 188 с.

62. Неймарк Ю.И. Баталова Э.С. Распознавание образов и медицинская диагностика. М.: Наука, 1972. 302 с.

63. Овчинников C.B., Рьера Т. О нечетких классификациях: В кн. Нечеткие множества и теория возможностей. Последние постижения: Пер. с англ. /Под ред. P.P. Ягера. М.: Радио и связь, 1986. 408 с.

64. Орлов, A.A. Алгоритм вычисления признаков отрезков па растровых изображениях основанный на вычислении градиента яркости / А.А.Орлов, М.И. Ткачук // Инфокоммуникационные технологии. Т. 6, № 3. 2008. С. 36-41.

65. Осовский, С. Нейронные сети для обработки информации/ С. Оссовский М.: Финансы и статистика, 2002. - 344 с. '

66. Патана, E.H. Метод определения размера модели марковского случайного поля / Е.И. Патана // Известия Южного федерального университета. Технические науки. 2009. Т. 97. № 8. С. 206-212.

67. Перов, А.И. Алгоритм последовательного выделения контура объекта на двумерных цифровых изображениях / А.И. Перов, Г.Г. Соколов // Радиотехника. 1998. № 7.

68. Подвальный Е.С. Модели индивидуального прогнозирования и классификации состояний в системах компьютерного мониторинга. Воронеж: Изд-во ВГТУ, 1998. 127 с.

69. Полякова, М.В. Контурная сегментация изображений с использованием вейвлет-анализа / М.В. Полякова, В.В. Любчепко // Труды Одесского политехнического университета. 2004. вып. 1(21). С. 1-5.

70. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. 287 с.

71. Построение экспертных систем: Пер. с англ. /Под ред. Ф. Хейса-Рота, Д. Уотермана, Д. Лената. М.: Мир, 1987. 412 с.

72. Привалов, О.О. Автоматическая сегментация цифровых изображений медико-биологических препаратов методом кластерного анализа / О.О. Привалов, Л.П. Бутенко // Современные наукоемкие технологии. 2007. №10. С. 79-80.

73. Прикладная статистика: классификация и снижение размерности /Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. 315 с.

74. Путятин, Е.П. Нормализация и распознавание изображений / Е.П. Путятин // Электронный ресурс: http://sumschool.sumdu.edu.ua/is-02/ш8/1есШге8/р>1:уаип/ру1уа1т.111т.

75. Путятин, Е.П. Обработка изображений в робототехнике. / Е.П. Путятин, С.И. Аверин // М: Машиностроение. 1990. 320 с.

76. Распознавание образов и медицинская диагностика /Под ред. Ю.И. Неймарка, Глав. ред. физ.-мат. литературы издательства «Наука». М., 1972.328 с.

77. Сафарли H.H., Щёголева И.В., Будзинская М.В., Киселёва Т.Н., Киселев Г.Л. Метод количественной оценки интенсивности флюоресценции в определении активности хориоидальиой иеоваскуляризации// Практикующий врач. М. 2007. №6. С.101-102.

78. Сирота, A.A. Статистические алгоритмы обнаружения границ объектов на изображениях / А. А. Сирота, А. И. Соломатин // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2008. № 1. С.58-64.

79. Сойфер, В.А. Методы компьютерной обработки изображений / В.А. Сойфер // М.: Физматлит, 2003. 784 с.

80. Солдатова, О.П., Применение сверточной нейронной сети для распознавания рукописных цифр / Солдатова О.П., Гаршин A.A. // Компьютерная оптика, Т. 34, №2. 2010. С. 251-259.

81. Сосудистые заболевания глаз /Кацнельсон Л.А., Форофонова Т.И., Бунин А.Я. М.: Медицина, 1990. 272 с.

82. Справочник по функциональной диагностике в педиатрии /Под ред. Ю.Е. Вельтищева, Н.С. Кисляк. М.: Медицина, 1979. 624 с.

83. Терапевтическая офтальмология /Под ред. M.J1. Краснова, Н.Б. Шульпиной. М.: Медицина, 1985. С. 477-495.

84. Уотерман Р.Д., Ленат Д., Хейсе Рот Ф. Построение экспертных систем: Пер. с англ. М.: Мир, 1987. 165 с.

85. Филист С.А., Пихлап C.B., Томакова P.A. Нечеткие нейросетевые структуры для сегментации изображений глазного дна //Вестник Воронежского государственного технического университета. Воронеж, 2009. Т.5. №4. С.42-45.

86. Фисенко, В.Т. Компьютерная обработка и распознавание изображений / В.Т. Фисснко, Т.Ю. Фисенко //СПб.: СПбГУ ИТМО. 2008. 192 с.

87. Хадарцев A.A., Тутаева Е.С., Купеев В.Г., Адырхаева Д.А., Смирнова И.Е. Обработка визуализированной информации о микроциркуляции глазного дна //Системный анализ и управление в биомсдицинских системах. М., 2003. Т. 2. №4. С. 354-358.

88. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. М.: ООО «И.Д. Вильяме», 2006. 1104 с

89. Хлесткин, А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами / А.Ю. Хлесткин,

90. B.П. Кривозубов, A.B. Николаева // Инфокоммуникационные технологии. 2006. №3. С. 64-69.

91. Хрящев, Д. А. Об одном методе выделения контуров на цифровых изображениях / Д. А. Хрящев // Вестник Астраханского государственного технического университета, Сер.: Управление, вычислительная техника и информатика. 2010. № 2. С. 181-187.

92. Чекотило, Е.Ю. Спектральный анализ вероятностных характеристик изображений / Е.Ю. Чекотило, П.К. Кузнецов // Вестник Самарского Государственного, технического университета. Серия «Физико-математические науки». Самара, 2006. №42. С 212-215.

93. Чернецова, Е.А. Алгоритм классификации монохромных изображений с использованием нейронных сетей / Е.А. Чернецова // Вычислительные технологии. 2008. Т. 13. № 2. С. 119-130.

94. Экспертные системы. Принципы работы и примеры: Пер. с англ. /А. Брукинг, Д. Джонс, Ф. Кокс и др; Под ред. Р. Фройсата. М.: Радио и связь, 1987. 352 с.

95. Экспертные системы: Пер. с англ. /Под ред. Р. Форсайта. М.: Радио и связь, 1987. 421 с.

96. Элти Дж. Кумбс Экспертные системы: концепции и примеры: Пер. с англ. М.: Финансы и статистика, 1987. 251 с.

97. Яне, Б. Цифровая обработка изображений / Б. Яне М.: Техносфера, 2007. 584 с.

98. Almong Y., Neitfiorfer M. et. al. //Invest.Ophtlialmol.Vis Sei. 1997. Vol. 38. N4. P. 777.

99. Autonomie Neuroeffector mechanisms //Burrstock G. Houle ch. H. V. (Eds.) Harwuud academic publishers Chur. 1995. 580 p.

100. Buchanan B.G. and Shortliff E.N. Rule Expert Systems The MYCIN Experiments of the Stanfond Neuristic Programming Progect. Addison - Wesley. 1984.

101. Givitgh A.M. Role of neurophysiologocal muhanisms in postresuscitation patology and postresuscitation nestoration of CNS function //Minerva Anestesi. 1994. Vol. 60. P. 501-504.

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

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

104. Hayes-Roth, F.: «The Knowledge-Based Expert System: A Tutorial». IEEE COMPUTER. 1987. Vol. 17. N9. P. 11-18.

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

106. Kagorawa H. et. al. //Invest.Ophtlialmol.Vis Sci. 1997. Vol. 38. N4. P. 781.

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

108. Negoita, C.N.: Expert System and Fuzzy Systems. The Benjamin /Cammings Publishing Co., Menlo Park. CA, 1985.

109. Ness T., Muller-Vellen R. stal. //Invest.Ophtlialmol.Vis Sei. 1997. Vol. 38. N4. P. 777.

110. Puppe F. Diagnostisches Problemlosem mit Experten system //Informatik Fachberichte. Berlin: Heidelberg; N.-Y.: Springer. 1987. Vol. 148. P. 34 -40.

111. Schwartz W., Patil R., Srolovits P. Artificial Intelligence in Medicine: Where Do We Stand //New Engl. J. Med. 1987. Vol. 316. P. 685-688.

112. Shortliffe E.H. Computer-Based medical Consultations: MYCIN. New York: American Elsevier, 1976.

113. Weiss S.M., Kulikowski C.A. A Practical Cuide to Desinging Expert System. New Gersey: Powman & Allan-held Publ., 1984.

114. Woo H.W., Kim Y. A model imaging system with electrical impedance//Ibid. Vol. 1. P. 343-346.