Методы согласованного отбора признаков для классификации полутоновых диагностических изображений тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Гайдель, Андрей Викторович

• Гайдель, Андрей Викторович
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Гайдель, Андрей Викторович

Оглавление

ВВЕДЕНИЕ

ГЛАВА 1. Задача автоматического формирования признаков

1.1. Постановка задачи распознавания образов

1.2. Критерии качества системы распознавания

1.3. Постановка и подходы к решению задачи построения признаков

1.4. Задачи анализа биомедицинских изображений

1.5. Текстурные признаки на изображениях

1.6. Оптимизация направления для текстурных признаков

1.7. Экспериментальное исследование оптимизации направления для текстурных признаков

1.8. Выводы

ГЛАВА 2. Разработка методов построения полиномиальных признаков

2.1. Полиномиальные признаки

2.2. Ограничения на полиномиальные признаки

2.3. Критерии качества полиномиальных признаков

2.4. Экспериментальное исследование качества квадратичных признаков

2.5. Устойчивость алгоритмов распознавания при автоматическом построении признаков

2.6. Выводы

ГЛАВА 3. Модификации и приложения методов построения признаков

3.1. Эффективный алгоритм вычисления признаков, основанных на длинах серий

3.2. Метод случайного поиска для глобальной оптимизации сложных

функций одной переменной

3.3. Гибридный метод глобальной оптимизации сложных функций

3.4. Выделение области интереса на биомедицинских изображениях

3.5. Программное средство для обработки и анализа биомедицинских изображений

3.6. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

Приложение А. Акт о внедрении результатов диссертации

Приложение Б. Свидетельства о регистрации программы для ЭВМ

Введение диссертации (часть автореферата) на тему «Методы согласованного отбора признаков для классификации полутоновых диагностических изображений»

ВВЕДЕНИЕ

Работа посвящена созданию новых методов автоматического формирования информационных признаков, предназначенных для анализа и распознавания диагностических биомедицинских изображений.

Актуальность темы. В настоящее время в отечественной медицинской практике для радиологической диагностики системных заболеваний затруднено распространение дорогостоящего оборудования, а для анализа распространённых радиологических изображений привлекаются высококвалифицированные медицинские работники. Это приводит к запоздалой постановке диагноза некоторых заболеваний, что осложняет дальнейшее лечение, в то время как существуют методы предупреждения развития этих заболеваний в случае постановки диагноза на ранних стадиях. Например, такие диагнозы, как остеопороз и остеопения, зачастую ставятся уже после переломов костей.

Идея данной работы заключается в установлении зависимости между заболеваниями человека и диагностическими изображениями тканей его органов. Понимание такой зависимости позволит разработать соответствующие методы автоматизированной обработки, распознавания и анализа изображений, ориентированных на диагностические медицинские исследования.

Для описания изображений традиционно используются информационные признаки, представляющие собой численные значения, измеряемые по цифровым изображениям и существенно различающиеся для изображений нормальных тканей и тканей с патологией. Очевидно, что для разных заболеваний эти признаки и способы их вычисления могут различаться, в зависимости от особенностей диагностируемой патологии. При этом какие-либо общие подходы к автоматическому построению признаков, учитывающие эти особенности, изучены не достаточно полно, так что обычно на практике эвристически выбираются уже известные признаки.

Множество общих способов обработки и анализа биомедицинских изображений, включая текстурный анализ и способы автоматической диагностики, можно найти в [1]. Описанные признаки включают моментные статистические характеристики, матрицы вхождений Харалика, впервые описанные в [2], а также спектрально-корреляционные характеристики, фрактальные признаки и т. д. Обширный спектр самых разных методов анализа биомедицинских изображений с подробным описанием подходов к решению конкретных практических задач также можно найти в [3]. Там же описана интересная модель описания изображения, называемая «полем направлений», которая учитывает локальные направления изменения яркости на изображении.

Существует ряд работ, в которых текстурный анализ используется для решения задач диагностики радиологических изображений, в том числе непосредственно тех задач, которые решаются в настоящей работе. В [4] для диагностики остеопороза по рентгеновским изображениям шейки бедра используются маски Лавса [5] и аппарат математической морфологии, а в качестве референтной величины используется индекс Сингха, полученный путём экспертной оценки. Максимальное значение коэффициента корреляции с индексом Сингха для отдельных наборов признаков и отдельных областей интереса составило от 0,79 до 0,84.

Похожим образом в [6] с индексом Сингха сравниваются текстурные признаки, основанные на дискретном вейвлет-преобразовании. Никакого численного анализа данных в этой работе не проводилось, однако авторами обнаружена тенденция падения энергии вейвлет-образов изображений патологии. Позже корреляция текстурных признаков, основанных на вейвлетах Хаара, с показателем минерализации костной ткани шейки бедра исследовалась в [7]. Были получены различные значения коэффициента корреляции вплоть до 0,80.

В [8] для диагностики того же заболевания, но уже не только по рентгеновским изображениям шейки бедра, но также пяточной кости и

поясничных позвонков используется визуальный анализ геометрии Фурье-образов этих изображений. Для анализа данных используются ЯОС-кривые, и площадь под кривой составляет от 0,62 до 0,77 для различных областей интереса.

В [9] качество микроархитектоники костной ткани оценивается по рентгеновским изображениям позвонков с помощью простейших статистик первого и второго порядка. Наибольший коэффициент корреляции с минеральной плотностью костной ткани составил 0,86, а площадь под 1ЮС-кривой — 0,78. Ранее морфометрические параметры изображений позвонков, полученных в результате компьютерной томографии (КТ), исследовались в отечественной работе [10]. Коэффициенты корреляции между параметрами, полученными в результате цифровой обработки томографических изображений и гистоморфометрии трабекулярной части исследуемых образцов костной ткани составили от 0,71 до 0,76.

В работе [11] рентгеновские изображения лучевой и болыиеберцовой костей описываются с помощью фрактального параметра Нтеап, связанного с фрактальной размерностью, и по этому описанию делается вывод о наличии хронических заболеваний почек. Коэффициент корреляции Пирсона параметра Нтсап с радиальным количеством трабекул составил 0,47. Более подробно использование этого параметра в качестве информационного признака для решения задач компьютерной диагностики радиограмм обосновано в [12]. Этот же фрактальный параметр сравнивается с текстурными признаками на основе матриц вхождений [2] и длин серий [13] в работе [14]. Наибольшая площадь под КОС-кривой в этом исследовании составила 0,72.

В подавляющем большинстве описанных выше работ признаки выбирались исключительно эвристически без каких-либо обоснований, почему использовались именно такие признаки, и не использовались никакие другие. Выбор признаков по сути не осуществлялся вовсе: исследование заключалось в анализе применимости того или иного набора признаков для конкретной

прикладной задачи. Тем не менее, необходимость в отборе группы наиболее эффективных признаков, бесспорно, существует, ведь использование большого количества признаков вычислительно трудоёмко, а при исследовании небольшого числа признаков неизвестно, насколько эффективны для данной задачи другие признаки. Кроме того, известно, что такое преобразование признакового пространства, как отбор признаков, может приводить к улучшению качества классификации. К сожалению, имеются доказательства, подтверждающие ЫР-сложность задач отбора признаков в большинстве известных постановок [15].

В [16] предлагается эвристический метод отбора и упорядочения информационных признаков, основанный на критерии дисперсионного анализа. Метод позволяет существенно сократить количество признаков путём добавления в эффективную группу только признаков с высоким значением критерия дискриминантного анализа. В качестве приложения метода приводится система распознавания личности по изображениям.

В [17] в процессе решения задачи диагностики нарушений ходьбы человека по измерениям специальных датчиках на ногах сравниваются 4 метода отбора признаков:

— использующий в качестве целевой функции отношение сигнал-шум,

— похожий на первый, но использующий также корреляционную матрицу,

— использующий информацию об индивидуальной ошибке классификации для каждого признака в отдельности,

— метод главных компонент.

В качестве классификатора использовался метод опорных векторов. В результате экспериментов над реальными данными получены оценки вероятности правильной классификации от 0,79 до 0,94 для группы из четырёх лучших признаков.

Гибридный алгоритм отбора признаков, сочетающий несколько разнородных этапов, рассматривается в [18]. В качестве целевой функции

используется площадь под КОС-кривой, но также учитывается коэффициент корреляции Пирсона между признаками. Для различных наборов данных площадь под ЯОС-кривой составляет от 0,77 до 1,00, что во всех случаях превосходит прямое использование компонентов алгоритма.

В работе [19] для отбора информационных признаков предлагается использовать новый, во многом эвристический алгоритм, названный алгоритмом эффективной дальности. Для каждого признака индивидуально рассчитывается, насколько внутриклассовые распределения накладываются друг на друга, и, исходя из этого, принимается решение о включении этого признака в число эффективных признаков. Предложенный метод пробуется на реальных данных с информацией о человеческих генах для диагностики ряда генетических заболеваний и достигает достоверности распознавания в 0,99 на некоторых наборах данных.

В [20] предлагается метод отбора информационных признаков для классификации событий в электрической сети. В этой работе с помощью алгоритма априори выбирается группа признаков, наиболее часто попадающих в один и тот же класс при кластеризации по методу к внутригрупповых средних. Доля правильных классификаций для этой задачи достигает 100 % и в среднем составляет 0,99.

В работе [21] для отбора признаков с одновременной классификацией используется генетический алгоритм с целевой функцией, основанной на байесовской сети. Тестирование полученного алгоритма на стандартных наборах эталонных данных показало вероятность правильной классификации вплоть до 0,99, что, тем не менее, превосходит классификацию на полном наборе признаков лишь в вычислительной сложности, но не в достоверности распознавания.

Специфический вариант метода дифференциальной эволюции для отбора информационных признаков предлагается и исследуется в [22]. В качестве целевой функции для минимизации используется обычная доля ошибок

классификации. Оценка вероятности правильной классификации для некоторых наборов данных достигает 1,00, причём конкурирующие алгоритмы, включающие муравьиный алгоритм и генетический алгоритм, незначительно уступают алгоритму, предложенному авторами работы.

В описанных выше работах проводится отбор наилучшего подмножества из заданного множества признаков. Однако для некоторых задач, например, для задач обработки и анализа изображений, множество информационных признаков изначально вовсе не определено. Разумеется, на практике обычно подбирается ряд уже известных признаков, хорошо зарекомендовавших себя для решения подобных задач и, в лучшем случае, уже среди них производится отбор. Новые же признаки, как правило, строятся исключительно из эвристических соображений, опираясь на сведения о том, как эксперт производит визуальную оценку таких изображений.

В этой связи возникает задача автоматического построения новых признаков, пригодных для решения конкретной задачи. Методы такого построения были бы ещё более общими, чем методы отбора признаков, и позволяли бы решать большинство прикладных задач распознавания образов без участия экспертов. К сожалению, даже формулировка задачи построения признаков уже вызывает определённые трудности, но, тем не менее, имеется ряд работ, посвященных этой теме.

В первую очередь можно использовать для построения признаков генетическое программирование, построив дерево вычислений из примитивных признаков и операций, как это сделано в [23]. В качестве целевой функции авторы работы используют внутриклассовую энтропию векторов признаков, отстающих от внутриклассового математического ожидания не более чем на три среднеквадратических отклонения, что позволяет строить признаковое пространство независимо от классификатора. Эксперименты на различных наборах данных показали среднее уменьшение размерности векторов признаков на 66 % и среднее уменьшение ошибки распознавания на 31 %.

Позже генетический алгоритм использовался в работе [24] для построения информационных признаков с целью оптимизации хранения информации в реляционных базах данных. Исследовались различные целевые функции, основанные на количестве информации и энтропии, а также специфическая мера качества кластеризации. Достоверность предсказания для различных наборов данных составила от 75 % до 87 %.

В [25] предлагается комплексный алгоритм построения новых признаков путём применения различных операторов к уже имеющимся признакам. Алгоритм включает принцип «разделяй и властвуй», построение локально-оптимальных признаков для подзадач и взвешивание построенных признаков исходя из их собственной информации. В работе отмечено, что экспериментальная проверка показала превосходство предлагаемого алгоритма над классификацией по исходному набору признаков в достоверности распознавания на 9 % и в площади под ЛОС-кривой на 28 %.

В работе [26] новые признаки строятся, как наборы последовательных преобразований области интереса исходного изображения, причём и сами преобразования, и искомая область выбираются генетическим алгоритмом. Целевая функция, которую оптимизирует генетический алгоритм, основана на доле правильных распознаваний, причём под правильным распознаванием понимается так же и правильный выбор области локализации распознаваемого объекта. Классификация осуществляется с помощью простейшего линейного перцептрона. Достоверность распознавания для построенных признаков на различных наборах реальных изображений составляет от 0,99 до 1,00.

Построение признаков для классификатора, организованного по принципу голосования, рассматривается в [27]. Новые признаки строятся, как декартово произведение пар неэффективных с точки зрения индивидуальных голосов исходных признаков. Качество отдельного признака оценивается как разница между числом правильных и неправильных голосов этого признака. При тестировании на реальном наборе данных, представляющим собой

финансовые отчёты турецких банков, построенные признаки показали достоверность классификации в 0,91, что превосходит все рассмотренные авторами аналоги.

В [28] разрабатываются и исследуются два не зависящих от классификатора алгоритма построения булевых информационных признаков из набора заранее заданных примитивных булевых признаков. В первом алгоритме на каждом шаге путём кластеризации в поисках максимальной внутриклассовой дисперсии строится дерево, узлами которого являются кластеры из признаков, после чего новые признаки получаются путём конъюнкции соседних листьев дерева. Во втором алгоритме также применяется жадная эвристика, отыскивающая наиболее коррелирующие признаки и заменяющая их на конкатенации этих признаков и их отрицаний. Авторы вводят два критерия качества набора признаков, один из которых основан на общей корреляции между признаками, а другой - на сложности уже построенного признакового пространства, и используют принцип эффективности по Парето, чтобы балансировать между этими критериями. Однако качество классификации реальных данных с помощью построенных признаков в работе не исследуется.

Во всех описанных работах новые признаки строятся на основе уже имеющихся примитивных признаков путём применения различных операторов, как правило, случайным образом. Однако в случае обработки сложных объектов распознавания, таких как крупные изображения, примитивные признаки могут отсутствовать, так как затруднительно считать отдельными примитивными признаками миллионы отсчётов изображения в силу того, что работа с векторами признаков такой размерности представляет огромные вычислительные сложности. Поэтому необходимо разработать специфические для изображений методы построения признаков по обучающей выборке, не опирающиеся на уже имеющиеся признаки.

Таких работ ис слишком много, но имеется цикл статей по построению эффективных линейных локальных признаков изображений под авторством В. В. Мясникова. Предпосылками для них послужили работы [29] и [30], в которых рассматривается общая задача синтеза эффективного алгоритма вычисления свёртки сигнала, а также её решения, порождаемые обобщёнными дискретными сплайнами. В работах представлены конкретные варианты алгоритмов и теоретически показана их наивысшая вычислительная эффективность в своём классе.

В [31] разработанные алгоритмы вычисления свёртки используются для построения линейных локальных признаков изображений и других сигналов. В работе показано, что импульсная характеристика соответствующих линейных преобразований должна соответствовать определённой структуре, а также приведены некоторые частные случаи таких структур. Эффективность признаков опять же рассмотрена в основном в вычислительном смысле. Устойчивость предложенных алгоритмов исследуется двумя способами в работе [32]. Также в этой работе даны рекомендации по выбору параметров синтеза алгоритмов свёртки, обеспечивающие устойчивость построенных алгоритмов.

В [33] авторы сравнивают эффективность численных методов оптимизации для решения задачи построения линейных локальных признаков эффективных не только с точки зрения вычислительной сложности, но так же и с точки зрения критерия качества прикладной задачи. Рассматриваются три численных метода оптимизации: псевдоградиентный алгоритм, генетический алгоритм и алгоритм имитации отжига, а в качестве целевой функции выступает гибридная величина, учитывающая коррелированность импульсных характеристик и точность представления сигналов с их помощью. Также для оценивания эффективности построенных признаков в работе используются различные критерии качества, такие как динамический диапазон импульсной характеристики, число обусловленности её корреляционной матрицы, норма

Гильберта-Шмидта, расстояние Махаланобиса и другие. Генетический алгоритм показал существенное превосходство над рассмотренными аналогами.

В более поздней работе [34] сравнивается эффективность двух алгоритмов построения линейных локальных признаков: с отдельными алгоритмами вычисления каждого признака и с единым алгоритмом совместного вычисления всех признаков. В качестве критерия эффективности кроме вычислительной сложности используется так же целевая функция из работы [33]. Рассматриваемые алгоритмы показывают сравнимую эффективность в различных ситуациях.

Тем не менее, в обозначенных работах исследуются лишь признаки, представляющие собой линейные преобразования исходных сигналов, тогда как взаимосвязь между отсчётами сигнала должны лучше описывать нелинейные преобразования, например, квадратичные. Также основной упор делается на вычислительную эффективность алгоритмов построения и расчёта признаков, а для обеспечения оптимальности критерия качества прикладной задачи предлагается использовать численные методы оптимизации. Таким образом, остаётся актуальной задача построения эффективных информационных признаков по обучающей выборке, обеспечивающих высокое качество распознавания признакового пространства.

Целью работы является разработка и исследование математических методов автоматического отбора информационных признаков, согласованных с текстурными свойствами полутоновых диагностических изображений.

В соответствии с поставленной целью сформулированы следующие основные задачи диссертации:

1. Разработать математический метод согласования направленных текстурных признаков с текстурными свойствами изображений по критерию качества признакового пространства и исследовать его эффективность для

прикладных задач распознавания полутоновых диагностических изображений.

2. Разработать полиномиальные информационные признаки и методы их согласования с текстурными свойствами полутоновых диагностических изображений. Исследовать эффективность распознавания с помощью таких признаков.

3. Исследовать вычислительную устойчивость оператора вычисления квадратичных признаков. Исследовать влияние шума на изображениях на вероятность их верного распознавания при использовании направленных текстурных признаков и при использовании квадратичных признаков.

4. Исследовать эффективность различных критериев качества признакового пространства для различных прикладных задач согласованной классификации полутоновых диагностических изображений. Определить наиболее эффективные алгоритмы оптимизации параметров информационных признаков.

5. Разработать метод автоматического выделения области интереса на полутоновых диагностических изображениях, использующий сведения о текстурных характеристиках областей интереса изображений из обучающей выборки.

Научная новизна работы состоит в следующих впервые полученных

результатах.

1. Предложен математический метод согласования направленных текстурных признаков с текстурными свойствами полутоновых изображений, заключающийся в оптимизации угла поворота изображения по критерию качества признакового пространства.

2. Разработан математический метод согласования квадратичных полиномиальных признаков, основанный на автоматической настройке коэффициентов при одночленах, обеспечивающих оптимум критерия качества признакового пространства.

3. Исследована устойчивость оператора вычисления квадратичных признаков для ограниченных сигналов. Показано, что оптимальные квадратичные признаки являются более устойчивыми к шумам на изображениях, чем оптимальные направленные признаки.

4. Для каждой прикладной задачи медицинской диагностики определены алгоритмы оптимизации и критерии качества признакового пространства, наилучшие по критерию достверности распознавания.

5. Предложен метод автоматического выделения области интереса на диагностических изображениях, основанный на последовательном наращивании области и отличающийся способностью одновременно учитывать её текстурные, топологические и геометрические характеристики.

Практическая значимость работы состоит в возможности использовать разработанные математические методы и программные средства в клинической практике для автоматизации диагностики остеопороза и остеопении по рентгеновским изображениям костной ткани, различных нефрологических заболеваний по ультразвуковым изображениям почек, а также хронической обструктивной болезни лёгких по изображениям компьютерной томографии. Акт о внедрении результатов диссертационной работы приведён в приложении А.

Достоверность полученных результатов подтверждается корректностью математических выкладок и использованием квалифицированных экспертных оценок для проведения вычислительных экспериментов. Для всех оценок вероятностей ошибочного распознавания приведены соответствующие доверительные интервалы с уровнем значимости 0,05.

Авторский вклад в работу является определяющим. Все изложенные в работе результаты получены автором лично.

Методология и методы исследования. В диссертационной работе используются методы распознавания образов, математические методы обработки изображений, теория вероятностей и математическая статистика, методы оптимизации, теория алгоритмов. В ходе выполнения диссертации разработаны алгоритмы решения поставленных задач, а также информационные технологии и программные средства, реализующие эти алгоритмы. Все результаты подтверждены в ходе вычислительных экспериментов на наборах реальных биомедицинских изображений.

Основные положения, выносимые на защиту:

1. Математический метод согласования направления вычисления направленных признаков с текстурными свойствами полутоновых изображений, основанный на оптимизации угла поворота по критерию качества признакового пространства, обеспечивает снижение вероятности ошибочного распознавания.

2. Квадратичные полиномиальные признаки, согласующиеся с текстурными свойствами полутоновых изображений, обеспечивают дополнительное снижение вероятности ошибочного распознавния по сравнению с использованием согласованных направленных признаков.

3. Оператор вычисления квадратичных признаков является вычислительно устойчивым для ограниченных сигналов. Достоверность распознавания диагностических изображений менее подвержена воздействию шумов при использовании квадратичных признаков, чем при использовании направленных признаков.

4. Алгоритм имитации отжига является наиболее эффективым алгоритмом оптимизации для согласования направленных признаков, а метод случайного поиска является наиболее эффективным для согласования квадратичных признаков. Наиболее эффективные критерии качества признакового пространства в среднем по всем задачам основаны на разделимости признакового пространства.

5. Метод автоматического выделения области интереса, согласующийся с текстурными, геометрическими и топологическими характеристиками областей интереса для заданной обучающей выборки полутоновых диагностических изображений, позволяет кроме дополнительной автоматизации процесса диагностики дополнительно снизить оценку вероятности неверного распознавания.

Апробация работы. Результаты работы докладывались на 2 международных конференциях:

1. The 11th International Conference on Pattern Recognition and Image Analysis: New Information Technologies. Samara, Russia, September 23-28, 2013.

2. XII Королёвские чтения: Международная молодёжная научная конференция. Самара, 1-3 октября 2013 года.

Публикации. Основные результаты диссертации опубликованы в 6 статьях в изданиях, рекомендованных ВАК РФ, а также в материалах 2 международных научных конференций.

ГЛАВА 1. Задача автоматического формирования признаков

1Л. Постановка задачи распознавания образов

Пусть распознаванию подлежат объекты из множества £1, разделённого на Ь классов с помощью разбиения А = {П/}/=12 которое отвечает обычным

Список литературы диссертационного исследования кандидат наук Гайдель, Андрей Викторович, 2015 год

СПИСОК ЛИТЕРАТУРЫ

1. Rangayyan, R. М. Biomedical image analysis [Текст] / R. M. Rangayyan. - Calgary, Alberta, Canada: CRC Press, 2005. - 1312 p.

2. Haralick, R. M. Textural features for image classification [Текст] / R. M. Haralick, K. Shanmugam, I. Dinstein, // IEEE Transactions on Systems, Man, and Cybernetics. - 1973. - November. Vol. SMC-3. - P. 610-621.

3. Ильясова, H. Ю. Информационные технологии анализа изображений в задачах медицинской диагностики [Текст] / Н. Ю. Ильясова, А. В. Куприянов, А. Г. Храмов. - М.: Радио и связь, 2012. - 424 с.

4. Smyth, P. P. Application of computer texture analysis to the Singh Index [Текст] / P. P. Smyth, J. E. Adams, R. W. Whitehouse, C. J. Taylor // British Journal of Radiology. - 1997. - Vol. 70, Issue MAR. - P. 242-247.

5. Laws, K. Textured Image Segmentation [Текст] / К. Laws// Technical Report USCIP Report 940. - Los Angeles: University of Southern California, 1980.

6. Mengko, T. R. Texture analysis of radiographs in the assessment of osteoporosis [Текст] / Т. R. Mengko, J. T. Pramudito // IAPR Workshop on Machine Vision Applications. - Nara-ken New Public Hall, Nara, Japan, Dec. 11-13, 2002. -P. 184-187.

7. Sangeetha, S. Wavelet Based Qualitative Assessment of Femur Bone Strength Using Radiographic Imaging [Текст] / S. Sangeetha, J. J. Christopher, S. Ramakrishnan// World Academy of Science, Engineering and Technology. -2008.-Vol. 41.-P. 107-110.

8. Brunet-Imbault, B. A new anisotropy index on trabecular bone radiographic images using the fast Fourier transform [Текст] / В. Brunet-Imbault, G. Lemineur, C. Chappard, R. Harba, C.-L. Benhamou // BMC Medical Imaging. -2005.-Vol. 5.-11 p.

9. Pothuaud, L. Evaluation of the Potential Use of Trabecular Bone Score to Complement Bone Mineral Density in the Diagnosis of Osteoporosis: A Preliminary

Spine BMD-Matched, Case-Control Study [Текст] / L. Pothuaud, N. Barthe, M.-A. Krieg, N. Mehsen, P. Carceller, D. Hans // Journal of Clinical Densitometry. -2009.-Vol. 12, №2.-P. 170-176.

10. Килина, О. Ю. Оценка микроархитектоники костной ткани путем цифрового анализа компьютерных томограмм для диагностики остеопороза [Текст] / О. Ю. Килина, В. Д. Завадовская, Р. В. Данильчук, Е. М. Третьяков, О.В.Родионова, О.В.Баранова// Бюллетень сибирской медицины, - 2003.-№2.-С. 94-100.

11. Bacchetta, J. Assessment of bone microarchitecture in chronic kidney disease: A comparison of 2D bone texture analysis and high-resolution peripheral quantitative computed tomography at the radius and tibia [Текст] / J. Bacchetta, S. Boutroy, N. Vilayphiou, A. Fouque-Aubert, P. D. Delmas, E. Lespessailles,

D. Fouque, R. Chapurlat // Calcified Tissue International. - 2010. - Vol. 87, № 5. -P. 385-391.

12. Lespessailles, E. Fractal analysis of bone texture on os calcis radiographs compared with trabecular microarchitecture analyzed by histomorphometry [Текст] /

E. Lespessailles, J. P. Roux, C. L. Benhamou, M. E. Arlot, E. Eynard, R. Harba, C. Padonou, P. J. Meunier // Calcified Tissue International. - 1998. - Vol. 63, № 2. -P. 121-125.

13. Xu, D.-H. Run-length encoding for volumetric texture [Текст] / D.-H. Xu, A. S. Kurani, J. D. Furst, D. S. Raicu // Proceedings of the Fourth IASTED International Conference on Visualization, Imaging, and Image Processing. -Marbella, Spain, 6-8 September 2004. - P. 534-539.

14. Lespessailles, E. Clinical interest of bone texture analysis in osteoporosis: a case control multicenter study [Текст] / E. Lespessailles, C. Gadois, I. Kousignian, J. P.Neveu, P. Fardellone, S. Kolta, C. Roux, J. P. Do-Huu, C. L. Benhamou// Osteoporosis International.-2008.-Vol. 19, №7.-P. 1019-1028.

15. Charikar, M. Combinatorial feature selection problems [Текст]/ M. Charikar, V. Guruswami, R. Kumar, S. Rajagopalan, A. Sahai // 41st Annual

Symposium on Foundations of Computer Science - Proceedings. - Redondo Beach, CA,USA, 12-14November2000.-P. 631-640.

16. Глумов, H. И. Метод отбора информативных признаков на цифровых изображениях [Текст] / Н. И. Глумов, Е. В. Мясников // Компьютерная оптика. - 2007. - Т. 31, № 3. - С. 73-76.

17. Yang, М. Feature selection and construction for the discrimination of neurodegenerative diseases based on gait analysis [Текст] / M. Yang, H. Zheng, H. Wang, S. McClean // 3rd International Conference on Pervasive Computing Technologies for Healthcare - Pervasive Health 2009. - London, United Kingdom, 13 April, 2009. - 7 p.

18. Peng, Y. A novel feature selection approach for biomedical data classification [Текст] / Y. Peng, Z. Wu, J. Jiang // Journal of Biomedical Informatics.-2010.-Vol. 43, № l.-P. 15-23.

19. Chandra, B. An efficient statistical feature selection approach for classification of gene expression data [Текст] / В. Chandra, M. Gupta // Journal of Biomedical Informatics. - 2011. - Vol. 44, № 4. - P. 529-535.

20. Eri§ti, H. Optimal feature selection for classification of the power quality events using wavelet transform and least squares support vector machines [Текст] / H. Eri§ti, O. Yildirim, B. Eri^ti, Y. Demir // International Journal of Electrical Power and Energy Systems.-2013.-Vol. 49, № l.-P. 95-103.

21. Tsai, C.-F. Genetic algorithms in feature and instance selection [Текст] / C.-F. Tsai, W. Eberle, C.-Y. Chu // Knowledge-Based Systems. - 2013. - Vol. 39. -P. 240-247.

22. Khushaba, R. N. Feature subset selection using differential evolution and a statistical repair mechanism [Текст] / R. N. Khushaba, A. Al-Ani, A. Al-Jumaily // Expert Systems with Applications. - 2011. - Vol. 38, № 9. - P. 11515-11526.

23. Neshatian, K. Feature construction and dimension reduction using genetic programming [Текст] / К. Neshatian, M. Zhang, M. Johnston // Lecture Notes in Computer Science. - 2007. - Vol. 4830. - P. 160-170.

24. Sia, F. A random length feature construction method for learning relational data using DARA [Текст] / F. Sia, R. Alfred, L. Y. Beng, T. S. Fun // International Journal of Information Processing and Management. - 2013. - Vol. 4, № 3. - P. 103113.

25. Fan, W. Generalized and heuristic-free feature construction for improved accuracy [Текст] / W. Fan, E. Zhong, J. Peng, O. Verscheure, K. Zhang, J. Ren, R. Yan, Q. Yang// Proceedings of the 10th SIAM International Conference on Data Mining. - Columbus, OH, United States, 29 April - 1 May 2010. - P. 629-640.

26. Lillywhite, K. A feature construction method for general object recognition [Текст] / К. Lillywhite, D.-J. Lee, B. Tippetts, J. Archibald // Pattern Recognition. - 2013. - Vol. 46, № 12. - P. 3300-3314.

27. Güvenir, H. A. Voting features based classifier with feature construction and its application to predicting financial distress [Текст] / H. A. Güvenir, M. Çakird // Expert Systems with Applications. - 2010,- Vol. 37, №2.- P. 17131718.

28. Rizoiu, M.-A. Unsupervised feature construction for improving data representation and semantics [Текст] / M.-A. Rizoiu, J. Velcin, S. Lallich // Journal of Intelligent Information Systems. - 2013. - Vol. 40, № 3. - P. 501-527.

29. Мясников, В. В. О синтезе эффективного алгоритма над множеством алгоритмов вычисления свертки [Текст] / В. В. Мясников // Компьютерная оптика.-2006.-№29.-С. 78-117.

30. Мясников, В. В. Сплайны как средство построения эффективных алгоритмов локального линейного преобразования [Текст] / В. В. Мясников // Компьютерная оптика. - 2007. - Т. 31, № 2. - С. 52-68.

31. Мясников, В. В. Эффективные локальные линейные признаки цифровых сигналов и изображений [Текст] / В. В. Мясников // Компьютерная оптика. - 2007. - Т. 31, № 4. - С. 58-76.

32. Мясников, В. В. Анализ устойчивости эффективного алгоритма линейной локальной фильтрации сигналов [Текст] / В. В. Мясников // Компьютерная оптика. - 2009. - Т. 33, № 2. - С. 193-201.

33. Мясников, В. В. Анализ методов построения эффективных линейных локальных признаков цифровых сигналов и изображений [Текст] / В. В. Мясников, А. Ю. Баврина, О. А. Титова // Компьютерная оптика. — 2010. — Т. 34, №3.-С. 374-381.

34. Мясников, В. В. Сравнение двух подходов к построению наборов линейных локальных признаков цифровых сигналов [Текст] / В. В. Мясников // Компьютерная оптика. - 2011. - Т. 35, № 3. - С. 356-367.

35. Горелик, A. JI. Методы распознавания. Учеб. пособие для вузов [Текст] / A. JL Горелик, В. А. Скрипкин. - М.: Высшая школа, 1977. - 222 с.

36. Ту, Дж. Принципы распознавания образов: пер. с англ. [Текст]/ Дж. Ту, Р. Гонсалес. - М.: Мир, 1978. - 411 с.

37. Tax, D. М. J. Using two-class classifiers for multiclass classification [Текст] / D. M. J. Tax, R. P. W. Duin // Proceedings - International Conference on Pattern Recognition. - 2002. - Vol. 16(2). - P. 124-127.

38. Lorena, A. C. A review on the combination of binary classifiers in multiclass problems [Текст] / A. C. Lorena, A. C. P. L. F. De Carvalho, J. M. P. Gama // Artificial Intelligence Review. - 2008. - Vol. 30(1-4). - P. 19-37.

39. Garcia-Pedrajas, N. An empirical study of binary classifier fusion methods for multiclass classification [Текст] / N. Garcia-Pedrajas, D. Ortiz-Boyer // Information Fusion.-2011.-Vol. 12(2).-P. 111-130.

40. Фукунага, К. Введение в статистическую теорию распознавания образов: пер. с англ. [Текст] / К. Фукунага. - М.: Наука. Главная редакция физико-математической литературы, 1979. - 368 с.

41. Голуб, Дж. Матричные вычисления: пер. с англ. [Текст] / Дж. Голуб, Ч. ВанЛоун.-М.:Мир, 1999.-548 с.

42. Сигал, И. X. Введение в прикладное дискретное программирование: модели и вычислительные алгоритмы [Текст] / И. X. Сигал, А. П. Иванова. — М.: ФИЗМАТЛИТ, 2003. - 240 с.

43. Карманов, В. Г. Математическое программирование [Текст]/ В. Г. Карманов - М.: ФИЗМАТЛИТ, 2004. - 264 с.

44. Васильев, Ф. П. Методы оптимизации [Текст] / Ф. П. Васильев. — М.: Факториал Пресс, 2002. - 824 с.

45. Зеликин, М. И. Оптимальное управление и вариационное исчисление [Текст] / М. И. Зеликин. - М.: Едиториал УРСС, 2004. - 160 с.

46. Wolpert, D. H. Probability collectives in optimization [Текст] / D. H. Wolpert, S. R. Bieniawski, D. G. Rajnarayan // Handbook of Statistics. -2013.-Vol. 31.-P. 61-99.

47. Schneider, J. J. Stochastic Optimization [Текст] / J. J. Schneider, S. Kirkpatrick. - Berlin: Springer, 2006. - 568 p.

48. Гилл, Ф. Практическая оптимизация: пер. с англ. [Текст] / Ф. Гилл, У. Мюррей, М. Райт. - М.: Мир, 1985. - 509 с.

49. Емельянов, В. В. Теория и практика эволюционного моделирования [Текст] / В. В. Емельянов, В. В. Курейчик, В. М. Курейчик. — М.: ФИЗМАТЛИТ, 2003. - 432 с.

50. Kirkpatrick, S. Optimization by simulated annealing [Текст] / S. Kirkpatrick, С. D. Gelatt-Jr, M. P. Vecchi // Science.- 1983.- Vol.220, №4598.-P. 671-680.

51. Лесняк, О. M. Остеопороз [Текст] / под ред. О. М. Лесняк, Л. И. Беневоленской. - М.: ГЭОТАР-Медиа, 2009. - 272 с.

52. Сандриков, В. А. Клиническая физиология трансплантированной почки [Текст] / В. А. Сандриков, В. И. Садовников. - М.: Наука/Интерпериодика, 2001. - 282 с.

53. Engeler, С. Е. Ground-glass opacity of the lung parenchyma: A guide to analysis with high-resolution CT [Текст] / С. E. Engeler, J. H. Tashjian,

S. W. Trenkner, J.W.Walsh// American Journal of Roentgenology.- 1993.-Vol. 160, №2.-P. 249-251.

54. Сойфер, В. А. Методы компьютерной обработки изображений [Текст] / под ред. В. А. Сойфера. - М.: ФИЗМАТЛИТ, 2003. - 784 с.

55. Petrou, М. Image Processing: Dealing with Texture [Текст] / M. Petrou, P. Garcia Sevilla. - John Wiley & Sons, Ltd, 2006. - 618 p.

56. Волков, И. К. Случайные процессы [Текст] / И. К. Волков, С. М. Зуев, Г. М. Цветкова. - М.: Издательство МГТУ им. Н. Э. Баумана, 1999. - 448 с.

57. Гмурман, В. Е. Теория вероятностей и математическая статистика [Текст] / В. Е. Гмурман. -М.: Высшая школа, 1972. - 368 с.

58. Pratt, W. К. Digital image processing [Текст] / W. К. Pratt. - John Wiley & Sons, Inc, 2007. - 806 p.

59. Ампилова, H. Б. Алгоритмы фрактального анализа изображений [Текст] / Н. Б. Ампилова, И. П. Соловьев // Компьютерные инструменты в образовании. -2012. -№ 2. - С. 19-24.

60. Калуш, Ю. А. Показатель Хёрста и его скрытые свойства [Текст] / Ю. А. Калуш, В. М. Логинов // Сибирский журнал индустриальной математики. - 2002. - Т. 5, № 4. - С. 29-37.

61. Pinsky,М. A. Introduction to Fourier Analysis and Wavelets [Текст]/ M. A. Pinsky. - Providence, RI: American Mathematical Society, 2002. - 376 p.

62. Li, S. Z. Markov Random Field Modeling in Image Analysis [Текст] / S. Z. Li. - Springer London, 2009. - 371 p.

63. Mollazade, K. Analysis of texture-based features for predicting mechanical properties of horticultural products by laser light backscattering imaging [Текст] / К. Mollazade, M. Omid, F. Akhlaghian Tab, Y. R. Kalaj, S. S. Mohtasebi, M. Zude // Computers and Electronics in Agriculture. - 2013. - Vol. 98. - P. 34-45.

64. * Гайдель, А. В. Возможности текстурного анализа компьютерных томограмм в диагностике хронической обструктивной болезни [Текст] /

А. В. Гайдель, П. М. Зельтер, А. В. Капишников, А. Г. Храмов // Компьютерная оптика. - 2014. - Т. 38, № 4. - С. 843-850.

65. Ginsburg, S. В. Automated Texture-based Quantification of Centrilobular Nodularity and Centrilobular Emphysema in Chest CT Images [Текст] / S. В. Ginsburg, D. A. Lynch, R. P. Bowler, J. D. Schroeder // Academic Radiology. -2012.-Vol. 19(10).-P. 1241-1251.

66. Tamura, H. Textural features corresponding to visual perception [Текст] / H. Tamura, Sh. Mori, T. Yamawaki // IEEE Transactions on Systems, Man and Cybernetics. - 1978. - Vol. SMC-8, № 6. - P. 460-473.

67. * Гайдель, А. В. Исследование текстурных признаков для диагностики заболеваний костной ткани по рентгеновским изображениям [Текст]/ А. В. Гайдель, С. С. Первушкин// Компьютерная оптика.- 2013. — Т. 37, № 1.-С. 122-128.

68. * Гайдель, А. В. Исследование текстурных признаков для диагностики нефрологических заболеваний по ультразвуковым изображениям [Текст] / А. В. Гайдель, С. Н. Ларионова, А. Г. Храмов // Вестник Самарского государственного аэрокосмического университета им. академика С.П. Королёва (национального исследовательского университета). - 2014. -№ 1 (43). - С. 229237.

69. Kylberg, G. The Kylberg Texture Dataset v. 1.0: External report (Blue series) [Текст] / G. Kylberg.- Uppsala: Centre for Image Analysis, Swedish University of Agricultural Sciences and Uppsala University, 2011. - № 35. - 5 p.

70. * Первушкин, С. С. Клинические и прогностические возможности CAD-системы на основе текстурного анализа остеопоротических изменений проксимального отдела бедренной кости [Текст] / С. С. Первушкин, А. В. Гайдель, А. Г. Храмов, Э. Н. Алехин // Врач-аспирант. - Воронеж: Научная книга, 2014. - Т. 66, № 5. - С. 61-69.

71. * Gaidel, A. Application of Texture Analysis for Automated Osteoporosis Diagnostics by Plain Hip Radiography [Текст] / A. Gaidel, A. Khramov // Pattern

Recognition and Image Analysis. - Pleiades Publishing, 2015.- Vol.25, №2.-P. 301-305.

72. Plastinin, A. Regression models for texture image analysis [Текст] / A. Plastinin // Lecture notes in computer science. - Springer-Verlag GMBH, 2011. -Vol. 6744 LNCS. - P. 136-141.

73. * Гайдель, А. В. Метод согласования направленных текстурных признаков в задачах анализа биомедицинских изображений [Текст] / А. В. Гайдель // Компьютерная оптика. - 2015. - Т. 39, № 2. - С. 287-293.

74. Agresti, A. Approximate is Better than "Exact" for Interval Estimation of Binomial Proportions / A. Agresti, B.A. Coull // American Statistician. - American Statistical Association, 1998. - Vol. 52, №2. - P. 119-126.

75. Brown, L. D. Interval Estimation for a Binomial Proportion [Текст] / L. D. Brown, Т. T. Cai, A. DasGupta // Statistical Science / Institute of Mathematical Statistics, 2001.-Vol. 16, №2.-P. 101-133.

76. Raymond, X. S. Elementary Introduction to the Theory of Pseudodifferential Operators [Текст] / X. S. Raymond. - Boca Raton: CRC Press, 1991.- 120 p.

77. Прасолов, В. В. Многочлены [Текст] / В. В. Прасолов. - М.: МЦНМО, 2003.-336 с.

78. Рейнгольд Э. Комбинаторные алгоритмы: теория и практика: пер. с англ. [Текст] / Э. Рейнгольд, Ю. Нивергельт, Н. Део. - М.: Мир, 1980. - 476 с.

79. Калиткин, Н. Н. Численные методы [Текст] / Н. Н. Калиткин. -М: Наука, 1978.-512 с.

80. Фихтенгольц, Г. М. Курс дифференциального и интегрального исчисления [Текст] / Г. М. Фихтенгольц. - М.: ГИФМЛ, 1951. - Т. 1. - 696 с.

81. Strang, G. Linear Algebra and Its Applications, 4th Edition [Текст] / G. Strang. - Boston: Cengage Learning, 2005. - 496 p.

82. Тихонов, A. H. Методы решения некорректных задач [Текст] / А. Н. Тихонов, В. Я. Арсенин. - М.: Наука, 1979. - 285 с.

83. Hendec, W. R. Medical imaging physics [Текст] / W. R. Hendee, E. R. Ritenour. - New York: Wiley-Liss, 2002. - 512 p.

84. Илюшин С. В. Подавление спекла на медицинских ультразвуковых изображениях при помощи фрактального кодирования [Текст] / С. В. Илюшин // T-Comm: Телекоммуникации и Транспорт. - М.: Издательский дом Медиа паблишер, 2011. - Т. 5, № 3. - С. 22-26.

85. Kylberg, G. Evaluation of noise robustness for local binary pattern descriptors in texture classification Local binary patterns (LBP)-based image and video analysis [Текст] / G. Kylberg, I.-M. Sintorn // Eurasip Journal on Image and Video Processing. - Berlin: Springer Publishing Company, 2013. - Vol. 2013. - 20 p.

86. Хеннан Э. Многомерные временные ряды: пер. с англ. [Текст] / Э. Хеннан. - М.: Мир, 1974. - 576 с.

87. Cormen, Т. Н. Introduction to Algorithms [Текст] / Т. Н. Cormen, С. Е. Leiserson, R. L. Rivest. - Massachusetts: MIT Press and McGraw-Hill, 1990. -1048 p.

88. Jones, D. R. Efficient Global Optimization of Expensive Black-Box Functions [Текст] / D. R. Jones, M. Schonlau, W. J. Welch // Journal of Global Optimization. - Springer Netherlands, 1998. - Vol. 13, № 4. - P. 455-492.

89. Бахвалов H. С. Численные методы [Текст] / H. С. Бахвалов, Н. П. Жидков, Г. М. Кобельков. - М.: Лаборатория базовых знаний, 2002. -632 с.

90. Devroye, L. Non-Uniform Random Variate Generation [Текст] / L. Devroye. - Springer-Verlag, 1986. - 843 p.

91. Seidel, R. Randomized Search Trees [Текст] / R. Seidel, C. R. Aragon // Algorithmica (New York). - New York: Springer New York, 1996. - Vol. 16, № 4-5.-P. 464-497.

92. Шапиро, Л. Компьютерное зрение: пер. с англ. [Текст] / Л. Шапиро, Дж. Стокман. - М.: Бином. Лаборатория знаний, 2006. - 763 с.

93. Виро, О. Элементарная топология [Текст] / О. Виро, О. Иванов, И. Нецветаев, В. Харламов. - М.: МЦНМО, 2010. - 368 с.

94. Bajorski, P. Statistics for Imaging, Optics, and Photonics [Текст] / P. Bajorski. - Hoboken: Wiley, 2012. - 408 p.

95. Вентцель E. С. Теория вероятностей [Текст] / E. С. Вептцель. - М.: Наука, 1969.-576 с.

96. Яне Б. Цифровая обработка изображений [Текст] / Б.Яне.- М.: Техносфера, 2007. - 584 с.

97. Лутц М. Программирование на Python: пер. с англ. [Текст] / М. Лутц. - СПб.: Символ-Плюс, 2011. - Т. 1. - 992 с.

98. Bressert, Е. SciPy and NumPy [Текст] / Е. Bressert. - Sebastopol: O'Reilly Media, 2013. - 57 p.

99. Прохоренок H. A. Python 3 и PyQt. Разработка приложений [Текст] / СПб.: БХВ-Петербург, 2012. - 704 с.

100. Maier, М. W. Software architecture: introducing IEEE Standard 1471 [Текст] / M. W. Maier, D. Emery, R. Hilliard // Computer. - IEEE, 2001. - Vol. 34, №4.-P. 107-109.

101. Krasner G. E. A cookbook for using the model-view controller user interface paradigm in Smalltalk-80 [Текст] / G. E. Krasner, S. T. Pope // Journal of Object-Oriented Programming. - Denville: SIGS Publications, 1988. - Vol. 1, № 3. -P. 26-49.

Приложение А. Акт о внедрении результатов диссертации

- I h I МО

1 i II Н! 1 ю 1 I 1 и I i Í lí \ v яр | i,) „ор i i iH i i j<_i i р ü i t ч II I j> (] ни p I «.ci 1 Iropi Ир iü ¡i i

' JL ' -им

\¡

I I It l¡\ll I I I II I I I II ! Il l I 1 t. i pi I H i li<>¡ P I ИИ I i

1 III 1Я 4 I pi I li II I pn I I

I ) I t И ll MI.

0 ».iii i i \ ii и и i i к i is u t и i M >e i ик i [ i mi- ' \ ! M\ mi i ш и iiii i i1 Hi i i ,i i i t

1 Ki и iiin M i ev i | i i vi > i i i i| i m u, 11 il il i pi i i u i ii i к м i

i ) mil i > i lí i i i i i?> и i 11 11 iiu i я te l n i i IH ] ni и и un ( и к li н p i i

> II III t | v»l i и i ni i i

( lili ni i III и lo i 'П i \ i i и 11 i ч pi i mu н >ii p l к tt I i li 14 \ 1'

4! i i к III i i i ip i i I 1Я I 1 liA и ¡ ик и и i i n iv u i I I 14 i il iü IH til'

I eí'IIII I ¡4 I II Г I l! II К l II lililí Ii I 1 (lili ii.41 II Uilí\ II I

а и m ч ni i ni ни i | i и i С i 11¡ 111 i e i к * i и i i i Mi. i minie ) v III и til i i i» 11 i

• i и i i < |» i iii mi j\i I i i iu itni|puini hsoipi ii ига

i i il i i i i n i 1 | i i i

» | К I I I I II I l MI И II l II til pl 1 ll> pin I 1 l II I el II 1 II liM , НИ 141 IIIUII 1 ! I

« l| I Mí К VI II i| I I И„||| НИ I <1 I О 1)14 [V pillípoíil I IK! Híl(|pt < I i í | l. im> vi N íí I >1 и и и i i и

II I V 11 I II 14 I ll III N VI Ilion) 1 О IV «ll 1 I "S I 1 I l il II СП 1 O lOl V | ipe lililí I ' I 1 l [ 1 t I 1 I I > I l I I >1 1

• I l[ f | IV 1 I III I MI 1 >1 I \ ¡11 I 1 j I I 1 ll I 1 lis 1 II MI I í I I (1

\ IIи j > í •»

» 1 x i VI i i >< ll ll и II III I | ill II ll )I рафи 11.1.1 H\ mi I'P ( el lili I Del I i I II III I

I i I u II * MI )í - . i "" ¡n "V P

• I Ip p III I I I I II 1 111 p И I 1 ЧЧ1 |l)lll uKH« upi H>\ S l l p I II 1 1.11 ll

11 ч i н í ni i i i m > i 11 и к ii. и i ii i \ 'n|-!f I ~> <r o '(ifiv 0 4

ill >1111 V II 14 | l II I IH un I i I I 11 1 ll I I 11 I lll I llíl> 11 l» HUI II I pv I 1 I | I

I H l 1 II И I 1 p 1 II I I II I 1 lili I 18 1 ipul III ll |ltv I lili В ^ 11 ll )l el IV I III II

I I SI P VI I 14 e > I 1 1 llí 1 1 le l lili! 1 u I lili I К ПН 1M1 11 I M I I l I /I VH 11

1)11 II I i I 1Я I 1)1) illu I t II" 11 11 HUI И Л1>|

l'e I I 1 I I il I I lile P 1 I l III. II ! I I II К I P 1 О чЛ i 1' I p lo V < I I t II II Mil lili I

I II 1.1 I I 1 II i I > I 1 1 1 >1 | I I III 111! 1 mili poiil IN l 1 I И I l I I

I l ¡ 1 I I I l> 1 Iip ¡III )/¡K /

и i i ^ // -K ni iii ni i oí , В

i и ei i

/j

v k|Mii IOH

c 'le| I ill lili ( (

Приложение Б. Свидетельства о регистрации программы для ЭВМ

• :• о It*eymрсгиеяиой рег?«*тря аум врмграммм ляп ЭВМ

№ 20.12614654

ПРОГРАММА ОБРАМ) ГКИ И АНАЛИЗА РЕНТГЕНОГРАФИЧЕСКИХ ПЛОЫ'ЛЛЛ НИИ КОСТНОЙ

ТКАНИ

- ир>.в«йлал«»тель(л«); Государственное бюджетное

образовательное учреждение высшего профессионального образования ■* Самарский государственный медицинским университет» Министерства здравоохранения и социального развития Российской Федерации (RU)

АвторСм): Капишников Александр Викторович,

Храмов Александр Григорьевич, Первушкиц Сергей Сергеевич,

Алехин Эдуард Николаевич, Гайдель Андрей Викторович (HU)

•пиявка №2012612171

' ' д.:«- моет'/пденг'гя 27 марта 201.2 г.

.*!,:(j:«'fMi-! j)Hrw)B;UK,i » I'eerrj» ирт-рамм для ЭВМ

24 мая 2012 г.

п(> интеялек

t*>, , >V Ч >f(f , (

ffi t* / < < l / < ' I )

ГОСТШЙ'

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2014615365

Программа для прогнозирования риска остеопоротического перелома бедра на основе текстурного анализа рентгенограмм

Правообладатель: Государственное бюджетное образовательное учреждение высшего профессионального образования «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации (Ли)

Авторы: Первушкии Сергей Сергеевич (ЯЧ), Гайдель Андрей Викторович (Я и), Капишников Александр Викторович (¡01), Храмов Александр Григорьевич (Н V)

Заявка № 2014613427

Дата поступления 15 апреля 2014 г.

Дата государственной регистрации в Реестре программ для ЭВМ 26 мая 2014 г.

Руководитель Федеральной службы по интеллектуальной собственности

Б.П. Симонов

•аааййййййййййййййййашййййа!

'156 /7

тттйшАш шщщрмщж

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2015612523

Программа для анализа компьютерных томограмм легких

Правообладатель: Государственное бюджетное образовательное учреждение высшего профессионального образования «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации (ЯП)

Авторы: Капиш никое Александр Викторович (ЯП), Зельтер Павел Михайлович (ЯП), Гайдель Андрей Викторович (Я11), Храмов Александр Григорьевич (ЯП)

Заявка № 2014663367

Дата поступления 22 декабря 2014 г.

Дата государственной регистрации

в Реестре программ для ЭВМ 19 февраля 2015 г.

Врио руководителя Федеральной службы по интеллектуальной собственности

Л.Л. Кирий