Разработка и оптимизация алгоритмов реконструкции и анализа трехмерных биологических изображений: Применение к компьютерной томографии легких и флуоресцентной микроскопии нейронов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чуканов Вячеслав Сергеевич

• Чуканов Вячеслав Сергеевич
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Чуканов Вячеслав Сергеевич

ОГЛАВЛЕНИЕ

Введение

Глава 1. Обзор литературы

1.1 Ретроспектива компьютерной томографии

1.2 Спиральная конусно-лучевая компьютерная томография (Spiral cone-beam CT)

1.3 Томографы с плавающей фокальной точкой

1.4 Физика поглощения рентгеновского излучения

1.5 Методы реконструкции изображений компьютерной томографии

1.5.1 Функция максимального правдоподобия в задаче реконструкции компьютерной томографии

1.5.2 Вычисление значений матрицы системы в задаче реконструкции изображений КТ

1.6 Методы анализа опухолей в лёгких на изображениях компьютерной томографии

1.7 Дендритные шипики нейронов и их морфология

1.8. Методы анализа формы дендритных шипиков на изображениях флуоресцентной микроскопии

Глава 2. Материалы и методы

2.1 Метод покоординатного спуска (ICD)

2.2 Штрафная функция для улучшения сходимости алгоритма реконструкции

2.3 Метод неоднородного покоординатного спуска

2.4 Модифицированный метод неоднородного покоординатного спуска

2.5 Метод построения замещающей разделяемой квадратичной функции

2.6 Блочный покоординатный спуск

2.7 Неоднородный блочный покоординатный спуск

2.8 Гистограмма длин хорд для описания формы трехмерных объектов

2.9 Методы анализа изображений опухолей лёгких на изображениях

компьютерной томографии

2.9.1 Датасет изображений компьютерной томографии новообразований в легких

2.9.2. Сегментация новообразований в легких на датасете LUNA16

2.9.3 Методы опорных векторов, случайного леса и градиентного бустинга для классификации трехмерных форм

2.9.4 ResNet-3D для классификации трехмерных форм, представленных

воксельной сеткой

2.10 Методы анализа формы дендритных шипиков нейронов

2.10.1 Датасет конфокальных изображений дендритов первичных гиппокампальных нейронов

2.10.2 Геометрические параметры для описания формы дендритных шипиков

2.10.3 Метод опорных векторов для классификации дендритных шипиков

2.10.4 Алгоритм К-средних для кластеризации дендритных шипиков

2.10.5 Критерии определения оптимального числа кластеров

Глава 3. Результаты

3.1 Гибридный метод покоординатного спуска реконструкции изображения в компьютерной томографии

3.1.1 Алгоритм вычисления прямой и обратной проекции воксельной сетки

3.1.2 Распараллеливание метода построения замещающей функции

3.1.3 Вычисление критерия повторного обновления линий вокселей для метода покоординатного спуска

3.1.4 Выделение независимых ветвей в алгоритме покоординатного спуска

3.1.5 Выделение независимых ветвей в алгоритме прямого и обратного проецирования воксельной сетки

3.1.6 Параллельные алгоритмы обновления линии вокселей

3.1.7. Параллельный алгоритм покоординатного спуска

3.1.8 Оптимизация обратной проекции

3.1.9 Обработка клинических данных. Анализ изображений компьютерной томографии на графическом процессоре

3.1.10 Алгоритм разбиения изображения на подмножество вокселей

3.1.11 Алгоритм обработки ячейки изображения компьютерной томографии

3.1.12 Буфер столбцов детектора

3.1.13 Старт работы алгоритма обработки проекций

3.1.14 Общий случай обработки ячейки в P-Buffer

3.1.15 Обработка последней ячейки изображения

3.1.16 Анализ сходимости методов реконструкции изображений

3.1.17 Валидация алгоритма реконструкции КТ изображений на синтетических

данных

3.2 Разработка метода линейного кодирования трёхмерных форм на базе метода хорд

3.2.1 Построение множества хорд по полигональной геометрии

3.2.2 Построение нормализованных гистограмм

3.2.3 Сегментация изображений новообразований из библиотеки компьютерных томограмм лёгких LUNA16

3.2.4 Классификации опухолей в легких на злокачественные и доброкачественные с помощью описания их формы методом гистограммы

длин хорд

3.3. Применение разработанного метода для анализа формы дендритных

шипиков нейронов

3.3.1. Определение оптимального числа хорд для характеризации формы дендритного шипика

3.3.2 Кластеризация дендритных шипиков с помощью описания их формы методом гистограммы длин хорд

3.3.3 Сравнение результатов разработанной кластеризации дендритных шипиков с общепринятой классификацией

Глава 4. Обсуждение результатов

Заключение

Список сокращений и условных обозначений

Список литературы

Приложение А. Благодарности

Введение диссертации (часть автореферата) на тему «Разработка и оптимизация алгоритмов реконструкции и анализа трехмерных биологических изображений: Применение к компьютерной томографии легких и флуоресцентной микроскопии нейронов»

ВВЕДЕНИЕ

Актуальность работы

Согласно данным статистики, ежегодно около 28000 человек страдают от раковых заболеваний, причиной которых послужила повышенная доза облучения от необходимости проходить обследования методом компьютерной томографии (КТ). Разработка новых методов реконструкции компьютерных томограмм, позволяющих минимизировать получаемое пациентами в ходе исследования излучение без снижения его информативности, является актуальной задачей ввиду распространённости данного диагностического метода и необходимости снижения вреда от его использования для сохранения здоровья населения.

Помимо составляющей, относящейся к КТ-сканерам, существенное развитие получают системы искусственного интеллекта для анализа изображений КТ, базирующиеся как на исходных данных томографии, так и на реконструированных трехмерных изображениях. Разработка алгоритмов быстрого анализа изображений КТ и классификации обнаруженных объектов, например опухолей на злокачественные и доброкачественные, на данный момент активно разрабатываются для различных органов и видов патологий. Такие методы позволят ускорить процесс анализа, сократить трудозатраты медицинских работников и сформировать систему поддержки врачебных решений, что сократит потенциальные ошибки в диагностике заболеваний. В данном исследовании разработана методика классификации опухолей на КТ легких на злокачественные и доброкачественные с применением нового дескриптора их формы.

Анализ трехмерных изображений в контексте биологии и биофизики набирает популярность и в сфере исследований функций мозга и диагностики нейродегенеративных заболеваний, механизмы которых до сих пор досконально не изучены. Одним из важнейших аспектов в понимании динамики развития нейродегенеративных заболеваний является изучение морфологии дендритных шипиков. Дендритные шипики образуют большинство возбуждающих синаптических входов в нейронах, и изменяются при многих нарушениях развития

нервной системы и нейродегенеративных расстройствах. Надежные методы оценки и количественного определения морфологии дендритных шипиков необходимы, но большинство существующих методов субъективны и трудоемки, то есть основаны на эмпирической классификации шипиков.

Степень разработанности темы исследования

Для снижения лучевой нагрузки на пациента при проведении компьютерной томографии было предложено множество методов и алгоритмов реконструкции изображений, которые позволяют получать качественные результаты при меньшей дозе облучения. Задача разработки алгоритмов реконструкции данных КТ остается актуальной и по сей день, так как даже развитие методов искусственного интеллекта (ИИ) не относится напрямую к реконструкции в силу отсутствия явных объяснительных механизмов большинства методов ИИ. Даже малейшие детали, упущенные нейросетью или добавленные ей в томограмму, могут радикально изменить ход дальнейшей диагностики и лечения, скрыв или создав на изображении потенциальную опухоль. Именно по этой причине предпочтение отдается не методам ИИ, а математически точным решениям на базе либо алгебраических методов, либо методов максимального правдоподобия [1, 2, 3, 4]. Методы максимального правдоподобия, базируясь на решении задачи оптимизации, показывают аналогичное классическим методам качество изображения при сниженной дозе облучения пациента на 50% и даже 75% [17]. В данном исследовании предложена математическая модель и алгоритм реконструкции КТ изображений, оптимальные как для неоднородных, так и для однородных областей изображения, и адаптированы под современные параллельные вычислительные архитектуры.

Классификация опухолей на КТ легких — это одна из ключевых задач в медицинской диагностике, так как раннее и точное выявление злокачественных новообразований может значительно повысить шансы на успешное лечение и выживание пациентов. Алгоритмы для классификации опухолей на КТ-изображениях активно развиваются благодаря росту вычислительных мощностей

и новейшим достижениям в области архитектур глубокого обучения. Несмотря на это, данная задача остается актуальной по ряду причин: сложность данных, необходимость автоматизации и разнообразие типов опухолей. Ранние подходы использовали методы машинного обучения с ручным извлечением признаков (feature extraction), таких как форма, текстура и интенсивность пикселей опухоли. С развитием методов глубокого обучения, особенно сверточных нейронных сетей (CNN), классификация опухолей на КТ стала более точной и автоматизированной. Недостатком этих методов является зависимость от качества извлеченных признаков. Этот процесс требует большого опыта и может быть подвержен ошибкам. Классические методы не всегда хорошо справляются с высокоразмерными данными и сложными паттернами, требующими большого количества ручной работы для извлечения признаков. В данном диссертационном исследовании предлагается новый признак форм, основанный на гистограмме распределения длин хорд, построенных внутри объекта, что позволяет повысить точность классических методов до уровня нейронных сетей, но значительно сократить время обработки и необходимые вычислительные мощности.

Методы анализа морфологии дендритных шипиков критически важны для многих областей нейробиологии. Классификация дендритных шипиков по заранее определенным классам является общим подходом к анализу их формы. Последние опубликованные исследования в этой области [5, 6, 7], указывают на существование более широкого спектра классов, которые не совпадают с общепринятой классификацией, [8, 9], и свидетельствуют о том, что формы шипиков представляют собой скорее континуум, а не дискретные категории [10, 11, 12, 13, 14, 15], и попытка вписать непрерывное распределение форм и размеров шипиков в заранее определенные и жесткие категории приводит к появлению множества источников потенциальных ошибок. Исследование истинного распределения форм дендритных шипиков на основе их воксельного или полигонального представления, в силу вышеуказанных причин, является наиболее актуальным, так же, как и разработка новых способов описания формы данных объектов. Существующие в открытом доступе программные пакеты для анализа

морфологии шипиков [16] имеют ограниченный функционал работы с данными, не учитывают их трёхмерную форму и предлагают классификацию на основании дерева решений.

Цели и задачи исследования

Целью данного исследования является разработка математической модели и алгоритма для быстрой и эффективной реконструкции изображений компьютерной томографии, учитывающего архитектуру современных графических ускорителей, а также, методика описания и классификации трехмерных изображений биологических объектов, с использованием новых дескрипторов их формы. Этот комплекс будет включать создание алгоритмов для реконструкции изображений компьютерной томографии с целью снижения необходимой дозы рентгеновского облучения пациентов и для биологически информативного кодирования и классификации трехмерных форм биологических объектов, таких как новообразования на компьютерных томограммах легких и формы дендритных шипиков на конфокальных изображениях нейронов.

Для достижения поставленной цели были сформулированы следующие задачи:

1) Разработать вероятностный алгоритм реконструкции изображений компьютерной томографии, который показывал бы приемлемое время работы наравне с качеством выходного изображения, сопоставимым с традиционными методами реконструкции, но со сниженной планкой дозы облучения, необходимой для получения исходных данных.

2) Разработать универсальную методику описания трехмерных форм объектов в виде одномерных векторов, основанную на построении гистограммы длин хорд, проведенных случайным образом внутри трехмерного изображения, отражающую ключевые признаки биологического объекта.

3) Методами машинного обучения на базе построенного дескриптора трехмерных форм провести классификацию новообразований в легких на злокачественные и доброкачественные, а также, оценить точность и временные

затраты на обучение в сравнении с современными нейросетями архитектуры Resnet.

4) Провести кластеризацию дендритных шипиков на отдельные морфологические группы с использованием для описания их трехмерной формы гистограммы длин хорд или с помощью набора численных метрик, сравнить полученные результаты c классификацией этого же множества шипиков на тонкие, пеньковые и грибовидные, полученную экспертной разметкой.

Все вышеуказанные пункты представляют собой совокупный комплекс программных инструментов, повышающих качество биофизической интерпретации результатов диагностических методов как в области анализа клинических медицинских изображений, так и в области фундаментальных исследований этиологии и патогенеза нейродегенеративных заболеваний.

Положения, выносимые на защиту

1. Разработан параллельный вероятностный алгоритм реконструкции изображений в компьютерной томографии, который позволяет значительно снизить дозу облучения пациентов при сохранении качества визуализации, сравнимого с классическими методами. Алгоритм эффективно использует вычислительные мощности графических процессоров и достигает ускоренной обработки данных.

2. Предложен метод представления трехмерных форм опухолей легких, основанный на построении гистограммы длин хорд, что позволяет точно описывать форму новообразований и использовать методы машинного обучения для эффективной классификации опухолей на доброкачественные и злокачественные. Данный метод демонстрирует высокую точность, сопоставимую с результатами современных нейросетевых моделей, таких как ResNet-3D, но требует меньше временных и вычислительных затрат.

3. Впервые разработан метод кластеризации дендритных шипиков нейронов на основе гистограммы длин хорд, который позволяет автоматически группировать шипики по схожим морфологическим признакам. Этот метод

показал более качественную и воспроизводимую кластеризацию по сравнению с набором численных дескрипторов формы шипиков, что свидетельствует о перспективности разработки новых комплексных дескрипторов трехмерной формы синапсов.

4. Создан программный комплекс для анализа морфологии дендритных шипиков (SpineTool), который впервые позволяет выполнять автоматическую и полуавтоматическую сегментацию, машинную классификацию, сопоставимую по точности с экспертной разметкой, и кластеризацию дендритных шипиков на основе данных конфокальной микроскопии, обеспечивая высокую информативность анализа и удобство в использовании.

Научная новизна работы

Научная новизна диссертационного исследования состоит в том, что впервые был разработан вероятностный метод реконструкции изображений в КТ, восстанавливающий изображение за минимальное число итераций (в сравнении с аналогами), при этом адаптированный к архитектуре современных графических ускорителей. Метод базируется на разработанной математической модели прохождения рентгеновского излучения через исследуемый объект, предоставляющей возможность выделения параллельных ветвей вычислений без потери точности реконструирования финального изображения. Разработан алгоритм конвейерной обработки данных КТ, позволяющий эффективно восстанавливать КТ изображения даже на видеоускорителях с малым объемом памяти.

Впервые был разработан метод кодирования трехмерных форм биологических объектов на основе метода гистограммы длин хорд, и применен для анализа формы дендритных шипиков нейронов, а также для классификации новообразований в легких. Разработанный метод кодирования трехмерных форм показал эффективность в задаче определения злокачественности опухоли в легких: применение метода вместе с методом опорных векторов показало высокую точность, на уровне современных моделей нейросетей (Resnet3D).

Впервые был разработан классификатор дендритных шипиков на базе метода опорных векторов, сопоставимый по точности с экспертной разметкой.

Впервые разработан метод численной оценки кластеризации дендритных шипиков по отношению к экспертной классификации, и метод оценки качества кластеризации дендритных шипиков, базирующийся на межклассовом расстоянии. Разработанные алгоритмы включены в программный пакет SpineTool, который впервые предоставляет возможность осуществлять корректируемую полуавтоматическую сегментацию дендритных шипиков, машинную классификацию и кластеризацию дендритных шипиков по формам.

Теоретическая и практическая значимость работы

Разработанная модель и алгоритм реконструкции трехмерных изображений в КТ позволяет использовать мощности современных графических ускорителей для реконструкции изображений в клинической практике с кратно меньшей дозой облучения для пациента.

Разработанный алгоритм конвейерной обработки данных КТ может быть масштабирован на другие задачи реконструкции изображений и помочь в переходе к использованию графических ускорителей как производительных вычислительных устройств в задачах медицинской визуализации и обработки изображений.

Разработанный метод кодирования трехмерных форм на базе гистограммы длин хорд позволяет существенно снизить требования к вычислительной сложности моделей искусственного интеллекта, применимым для автоматической классификации злокачественности новообразований в легких. Этот же метод, применительно к данным дендритных шипиков, позволяет предположить наличие более сложной классификации, чем общепринятая.

Классификатор дендритных шипиков, использующий метод опорных векторов и классические метрики, достигает точности, сопоставимой с точностью экспертов. Это демонстрирует потенциал машинного обучения для упрощения и

улучшения трудоемкого процесса классификации дендритных шипиков, в том числе путем минимизации человеческого фактора.

Более сложные дескрипторы геометрии трехмерных объектов, такие как гистограмма длин хорд, предлагают более точную характеристику формы дендритных шипиков по сравнению с классическими числовыми метриками. Этот подход обеспечивает более высокое качество кластеризации и стабильность получаемых результатов.

Разработанное программное обеспечение SpineTool является программным обеспечением с открытым исходным кодом и написано на Python с графическим интерфейсом в Jupyter Notebook. Это делает его доступным и простым в использовании в нейробиологии, способствуя его широкому применению.

Методология и методы исследования

В ходе выполнения диссертационного исследования применялись следующие методы: конфокальная микроскопия, метод покоординатного спуска, метод блочного покоординатного спуска, метод разделяемой замещающей функции, метод водораздела, метод адаптивной бинаризации, метод опорных векторов с различными ядерными функциями (радиальная базисная функция, ядро гистограммы пересечений, Лапласова радиальная базисная функция, линейная ядерная функция), методы глубокого обучения архитектуры Resnet, метод кластеризации ^-средних, метод силуэта оценки кластеризации.

Личный вклад автора

Данные для проведения диссертационной работы получены с использованием экспериментальной базы Лаборатории молекулярной нейродегенерации и Лаборатории анализа биомедицинских изображений и данных Санкт-Петербургского политехнического университета Петра Великого, а также были предоставлены в рамках сотрудничества с Philips Research Laboratories Hamburg. Математическая модель, алгоритм и программное обеспечение реконструкции изображений КТ созданы лично автором. Математическая модель

и метод кодирования трехмерных биологических объектов предложены лично автором. Планирование экспериментов и обсуждение полученных результатов проводилось совместно с научным руководителем к.ф-м.н. Е.И. Пчицкой.

Степень достоверности и апробация результатов

Результаты исследования были доложены на следующих научных и научно-практических форумах и конференциях: IOP Publishing, 2019, Springer Singapore 2021, Оптогенетика+ 2023, XXIV Съезд физиологического общества им. ИП Павлова, VII Съезд биофизиков России, LifeSciencePolytech 2023, III Всероссийская научно-практическая конференция для студентов, аспирантов и молодых ученых «Политех наукам о жизни» 2024.

Публикации

По материалам диссертации опубликовано 6 статей в рецензируемых журналах, индексируемых в международных базах данных, зарегистрирована одна программа для ЭВМ, опубликовано 9 тезисов докладов в сборниках научных и научно-практических конференций.

Объем и структура диссертации

Диссертационная работа состоит из следующих частей: введение, обзор литературы, материалы и методы, результаты, обсуждение результатов, заключение, список литературы, приложение. Текст диссертации изложен на 118 страницах, содержит 40 рисунков, 4 таблицы и 64 формулы. Список литературы представлен 86 источниками.

Заключение диссертации по теме «Другие cпециальности», Чуканов Вячеслав Сергеевич

ЗАКЛЮЧЕНИЕ

В ходе проведенного исследования был разработан параллельный вероятностный алгоритм реконструкции изображений в компьютерной томографии, позволяющий снизить необходимую дозу облучения для пациента от 50% до 75% по сравнению с классическими алгебраическими методами реконструкции, при этом сохраняя высокое качество итогового изображения. Это достижение имеет большое значение для улучшения безопасности и комфорта пациентов, подвергающихся томографическим исследованиям.

В рамках работы разработан метод кодирования трехмерных форм - CLDH, успешно примененный как к задачам анализа медицинских изображений, так и к анализу микроскопических изображений дендритных шипиков нейронов. Показана эффективность метода CLDH для построения классификаторов в задачах определения степени злокачественности опухолей, а также в отношении классификации дендритных шипиков, что открывает перспективы создания новых методов в биологии и медицине, как в области ранней диагностики онкозаболеваний, так и в отношении анализа функционирования мозга в норме и при патологии.

По результатам работы были сформулированы следующие выводы:

1) Разработан и апробирован параллельный вероятностный алгоритм реконструкции КТ изображений. Данный метод позволил эффективно использовать ресурсы графических ускорителей при этом доза облучения пациента снизилась от 50% до 75% в зависимости от области сканирования.

2) Разработана методика кодирования трехмерных форм с помощью гистограмм распределений длин хорд. Ее применение к конкретным диагностическим и исследовательским задачам позволило обучить модель на базе метода опорных векторов по качеству не уступающему уровню мирового стандарта - нейросети глубокого обучения Resnet.

3) Разработанный метод кодирования трехмерных форм продемонстрировал высокую эффективность в ходе классификации

новообразований в легких на злокачественные и доброкачественные. При этом совокупный объем вычислений на выполнение метода кодирования форм и на обучение метода опорных векторов оказался на порядок меньше, чем требуется для обучения глубокой нейросети Resnet.

4) Разработанный метод кодирования трехмерных форм показал более качественную и воспроизводимую кластеризацию набора данных морфологии шипиков, в то время как сравнительное использование совокупности из 10 классических численных характеристик дало более низкое значение показателя качества кластеризации. Таким образом, CLDH является более точным дескриптором формы шипиков, что позволит решать более сложные биофизические исследовательские задачи.

Список литературы диссертационного исследования кандидат наук Чуканов Вячеслав Сергеевич, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Buzug, T. Computed tomography: From photon statistics to modern cone-beam CT / T. Buzug. - 2008.

2. Satheeshwaran, U. X-RAY CT reconstruction by using spatially non homogeneous ICD optimization / U. Satheeshwaran, N. Sreekanth, J. Surendiran // International Journal of Engineering and Advanced Technology. - 2019.

3. Fast model-based X-ray CT reconstruction using spatially nonhomogeneous ICD optimization / Z. Yu, J. B. Thibault, C. A. Bouman [et al.] // IEEE Transactions on Image Processing. - 2011.

4. Fessler, J. A. Axial block coordinate descent (ABCD) algorithm for X-ray CT image reconstruction / J. A. Fessler, D. Kim // Proceedings of Fully3D. - 2011.

5. Computational geometry analysis of dendritic spines by structured illumination microscopy / Y. Kashiwagi, T. Higashi, K. Obashi [et al.] // Nature communications. -

2019. - Vol. 10. - № 1. - P. 1285.

6. Computational Approach to Dendritic Spine Taxonomy and Shape Transition Analysis / G. Bokota, M. Magnowska, T. Kusmierczyk [et al.] // Frontiers in computational neuroscience. - 2016. - Vol. 10. - P. 140.

7. 3D morphology-based clustering and simulation of human pyramidal cell dendritic spines / S. Luengo-Sanchez, I. Fernaud-Espinosa, C. Bielza [et al.] // PLoS computational biology. - 2018. - Vol. 14. - № 6. - P. e1006221-e1006221.

8. Pchitskaya, E. Dendritic Spines Shape Analysis-Classification or Clusterization? Perspective / E. Pchitskaya, I. Bezprozvanny // Frontiers in synaptic neuroscience. -

2020. - Vol. 12. - P. 31.

9. An interactive time series image analysis software for dendritic spines / A. O. Argunçah, E. Erdil, M. U. Ghani [et al.] // Scientific reports. - 2022. - Vol. 12. - № 1. -P. 12405.

10. Ultrastructure of dendritic spines: correlation between synaptic and spine morphologies / J. I. Arellano, R. Benavides-Piccione, J. Defelipe, R. Yuste // Frontiers in neuroscience. - 2007. - Vol. 1. - № 1. - P. 131-143.

11. Berry, K. P. Spine Dynamics: Are They All the Same? / K. P. Berry, E. Nedivi // Neuron. - 2017. - Vol. 96. - № 1. - P. 43-55.

12. Yuste, R. Genesis of dendritic spines: insights from ultrastructural and imaging studies / R. Yuste, T. Bonhoeffer // Nature Reviews Neuroscience. - 2004. - Vol. 5. -№ 1. - P. 24-34.

13. Wallace, W. A morphological correlate of synaptic scaling in visual cortex / W. Wallace, M. F. Bear // The Journal of neuroscience : the official journal of the Society for Neuroscience. - 2004. - Vol. 24. - № 31. - P. 6928-6938.

14. Loewenstein, Y. Predicting the Dynamics of Network Connectivity in the Neocortex / Y. Loewenstein, U. Yanover, S. Rumpel // The Journal of neuroscience : the official journal of the Society for Neuroscience. - 2015. - Vol. 35. - № 36. - P. 1253512544.

15. Spine neck plasticity regulates compartmentalization of synapses / J. T0nnesen, G. Katona, B. Rozsa, U. V. Nagerl // Nature Neuroscience. - 2014. - Vol. 17. - № 5. -P. 678-685.

16. 3dSpAn: An interactive software for 3D segmentation and analysis of dendritic spines / N. Das, E. Baczynska, M. Bijata [et al.] // Neuroinformatics. - 2021. - Vol. 20. - № 3. - P. 679-698.

17. Evolution in computed tomography: The battle for speed and dose / M. M. Lell, J. E. Wildberger, H. Alkadhi [et al.]. - 2015.

18. Buzug, T. M. Computed Tomography BT - Springer Handbook of Medical Technology / T. M. Buzug // eds. R. Kramme [et al.]. - Berlin, Heidelberg : Springer Berlin Heidelberg, 2011. - P. 311-342.

19. Seeram, E. Computed tomography: Physical principles and recent technical advances / E. Seeram // Journal of Medical Imaging and Radiation Sciences. - 2010.

20. A survey of computer-aided diagnosis of lung nodules from CT scans using deep learning / Y. Gu, J. Chi, J. Liu [et al.]. - 2021.

21. Radiomics and artificial intelligence in lung cancer screening / F. Binczyk, W. Prazuch, P. Bozek, J. Polanska. - 2021.

22. Evaluation of individuals with pulmonary nodules: When is it lung cancer?

Diagnosis and management of lung cancer, 3rd ed: American college of chest physicians evidence-based clinical practice guidelines / M. K. Gould, J. Donington, W. R. Lynch [et al.] // Chest. - 2013.

23. Kim, B.-G. A narrative review of the clinical approach to subsolid pulmonary nodules / B.-G. Kim, S.-W. Um // Annals of Translational Medicine. - 2023.

24. Subsolid pulmonary nodules: why not "watch and wait"? / S. Fra-Fernández, L. Gorospe-Sarasúa, A. Cabañero-Sánchez [et al.] // Annals of Translational Medicine. -2024.

25. Segal, M. Dendritic spines: Morphological building blocks of memory / M. Segal // Neurobiology of Learning and Memory. - 2017. - Vol. 138. - P. 3-9.

26. Dendritic spines: Revisiting the physiological role / S. B. Chidambaram, A. G. Rathipriya, S. R. Bolla [et al.] // Progress in Neuro-Psychopharmacology and Biological Psychiatry. - 2019. - Vol. 92. - P. 161-193.

27. Stein, I. S. Dendritic Spine Elimination: Molecular Mechanisms and Implications / I. S. Stein, K. Zito // The Neuroscientist: a review journal bringing neurobiology, neurology and psychiatry. - 2019. - Vol. 25. - № 1. - P. 27-47.

28. Sleep promotes branch-specific formation of dendritic spines after learning / G. Yang, C. S. W. Lai, J. Cichon [et al.] // Science (New York, N.Y.). - 2014. - Vol. 344. -№ 6188. - P. 1173-1178.

29. Cocaine-Induced Structural Plasticity in Input Regions to Distinct Cell Types in Nucleus Accumbens / C. Barrientos, D. Knowland, M. M. J. Wu [et al.] // Biological psychiatry. - 2018. - Vol. 84. - № 12. - P. 893-904.

30. Hippocampal dendritic spines modifications induced by perinatal asphyxia / G. E. Saraceno, R. Castilla, G. E. Barreto [et al.] // Neural plasticity. - 2012. - Vol. 2012. -P. 873532.

31. Complex housing causes a robust increase in dendritic complexity and spine density of medial prefrontal cortical neurons / A. Ashokan, J. W. H. Lim, N. Hang, R. Mitra // Scientific reports. - 2018. - Vol. 8. - № 1. - P. 7308.

32. Nishiyama, J. Plasticity of dendritic spines: Molecular function and dysfunction in neurodevelopmental disorders / J. Nishiyama // Psychiatry and Clinical Neurosciences. -

2019. - Vol. 73. - № 9. - P. 541-550.

33. Herms, J. Dendritic Spine Pathology in Neurodegenerative Diseases / J. Herms, M. M. Dorostkar // Annual Review of Pathology: Mechanisms of Disease. - 2016. -Vol. 11. - № 1. - P. 221-250.

34. Dendritic spine pathology in neuropsychiatric disorders / P. Penzes, M. E. Cahill, K. A. Jones [et al.] // Nature neuroscience. - 2011. - Vol. 14. - № 3. - P. 285-293.

35. Learning rules and persistence of dendritic spines / H. Kasai, T. Hayama, M. Ishikawa [et al.] // European Journal of Neuroscience. - 2010. - Vol. 32. - № 2. - P. 241249.

36. Bourne, J. Do thin spines learn to be mushroom spines that remember? / J. Bourne, K. M. Harris // Current Opinion in Neurobiology. - 2007. - Vol. 17. - № 3. - P. 381-386.

37. Bailey, C. H. Structural Components of Synaptic Plasticity and Memory Consolidation / C. H. Bailey, E. R. Kandel, K. M. Harris // Cold Spring Harbor perspectives in biology. - 2015. - Vol. 7. - № 7. - P. a021758-a021758.

38. Zhou, Q. Shrinkage of Dendritic Spines Associated with Long-Term Depression of Hippocampal Synapses / Q. Zhou, K. J. Homma, M. Poo // Neuron. - 2004. - Vol. 44.

- № 5. - P. 749-757.

39. Ultrastructural analysis of dendritic spine necks reveals a continuum of spine morphologies / N. Ofer, D. R. Berger, N. Kasthuri [et al.] // Developmental neurobiology.

- 2021. - Vol. 81. - № 5. - P. 746-757.

40. Tackenberg, C. Thin, Stubby or Mushroom: Spine Pathology in Alzheimers Disease / C. Tackenberg, A. Ghori, R. Brandt // Current Alzheimer Research. - 2009.

41. Dendritic spines provide cognitive resilience against Alzheimer's disease / B. D. Boros, K. M. Greathouse, E. G. Gentry [et al.] // Annals of Neurology. - 2017.

42. Nithianantharajah, J. Dysregulation of synaptic proteins, dendritic spine abnormalities and pathological plasticity of synapses as experience-dependent mediators of cognitive and psychiatric symptoms in Huntington's disease / J. Nithianantharajah, A. J. Hannan. - 2013.

43. Bagni, C. A Synaptic Perspective of Fragile X Syndrome and Autism Spectrum Disorders / C. Bagni, R. S. Zukin. - 2019.

44. Hayashi, Y. Dendritic Spine Geometry: Functional Implication and Regulation / Y. Hayashi, A. K. Majewska // Neuron. - 2005. - Vol. 46. - № 4. - P. 529-532.

45. Hering, H. Dentritic spines : structure, dynamics and regulation / H. Hering, M. Sheng // Nature Reviews Neuroscience. - 2001. - Vol. 2. - № 12. - P. 880-888.

46. Molecular regulation of dendritic spine dynamics and their potential impact on synaptic plasticity and neurological diseases / P. Maiti, J. Manna, G. Ilavazhagan [et al.] // Neuroscience & Biobehavioral Reviews. - 2015. - Vol. 59. - P. 208-237.

47. Methods of dendritic spine detection: From Golgi to high-resolution optical imaging / J. J. Mancuso, Y. Chen, X. Li [et al.]. - 2013.

48. Sampling issues in quantitative analysis of dendritic spines morphology / B. Ruszczycki, Z. Szepesi, G. M. Wilczynski [et al.] // BMC bioinformatics. - 2012. -Vol. 13. - P. 213.

49. Kharazia, V. N. Immunogold localization of AMPA and NMDA receptors in somatic sensory cortex of albino rat / V. N. Kharazia, R. J. Weinberg // Journal of Comparative Neurology. - 1999.

50. Different modes of expression of AMPA and NMDA receptors in hippocampal synapses / Y. Takumi, V. Ramírez-León, P. Laake [et al.] // Nature Neuroscience. - 1999.

51. Differences in the Expression of AMPA and NMDA Receptors between Axospinous Perforated and Nonperforated Synapses Are Related to the Configuration and Size of Postsynaptic Densities / O. Ganeshina, R. W. Berry, R. S. Petralia [et al.] // Journal of Comparative Neurology. - 2004.

52. Dendritic spine classification using shape and appearance features based on two-photon microscopy / M. U. Ghani, F. Mesadi, S. D. Kanik [et al.] // Journal of Neuroscience Methods. - 2017. - Vol. 279. - P. 13-21.

53. Dalal, N. Histograms of oriented gradients for human detection / N. Dalal, B. Triggs // Proceedings - 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2005. - 2005.

54. Mesadi, F. Disjunctive normal shape and appearance priors with applications to image segmentation / F. Mesadi, M. Cetin, T. Tasdizen // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in

Bioinformatics). - 2015.

55. Automated dendritic spine tracking on 2-photon microscopic images / B. K1I15, L. Rada, E. Erdil [et al.]. - IEEE, 2015.

56. Automated three-dimensional detection and shape classification of dendritic spines from fluorescence microscopy images / A. Rodriguez, D. B. Ehlenberger, D. L. Dickstein [et al.] // PloS one. - 2008. - Vol. 3. - № 4. - P. e1997-e1997.

57. Automatic Dendritic Spine Quantification from Confocal Data with Neurolucida 360 / D. L. Dickstein, D. R. Dickstein, W. G. M. Janssen [et al.] // Current protocols in neuroscience. - 2016. - Vol. 77. - P. 1.27.1-1.27.21.

58. Shi, P. Automated three-dimensional reconstruction and morphological analysis of dendritic spines based on semi-supervised learning / P. Shi, Y. Huang, J. Hong // Biomedical optics express. - 2014. - Vol. 5. - № 5. - P. 1541-1553.

59. Threshold choices of Huber regularization using global- and local-edge-detecting operators for x-ray computed tomographic reconstruction / H. Zhang, S. Zhang, D. Hu [et al.] // Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS. - 2013.

60. Chukanov, V. Combination of voxel-based and projection-based methods in terms of convergence for CT reconstruction / V. Chukanov, F. Bergner // Medical Physics. -2016.

61. CT reconstruction based on separable surrogate optimization / X. Hou, J. Guo, W. Chen, H. Jiang // Shenzhen Daxue Xuebao (Ligong Ban)/Journal of Shenzhen University Science and Engineering. - 2023.

62. An efficient ordered subsets CT image reconstruction algorithm for sparse-view, noisy data / S. Rose, M. S. Andersen, E. Y. Sidky, X. Pan // 2014 IEEE Nuclear Science Symposium and Medical Imaging Conference, NSS/MIC 2014. - 2016.

63. Kim, D. Parallelizable algorithms for X-ray CT image reconstruction with spatially non-uniform updates / D. Kim, J. A. Fessler // Proc. 2nd Intl. Mtg. on image formation in X-ray CT. - 2012.

64. An Improved Median-based Otsu Image Thresholding Algorithm / X. Yang, X. Shen, J. Long, H. Chen // AASRI Procedia. - 2012.

65. Computational approach to dendritic spine taxonomy and shape transition analysis / G. Bokota, M. Magnowska, T. Kusmierczyk [et al.] // Frontiers in Computational Neuroscience. - 2016.

66. Rousseeuw, P. J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis / P. J. Rousseeuw // Journal of Computational and Applied Mathematics. - 1987.

67. Beekman, F. J. Ordered subset reconstruction for x-ray CT / F. J. Beekman, C. Kamphuis // Physics in Medicine and Biology. - 2001.

68. Optimizing parallel reduction in CUDA / M. Harris, G. E. Blelloch, B. M. Maggs [et al.] // Proc. of ACM SIGMOD, 21. - 2007.

69. Ghorpade, J. GPGPU Processing in CUDA Architecture / J. Ghorpade // Advanced Computing: An International Journal. - 2012.

70. NVIDIA. Cuda C Best Practices Guide / NVIDIA // Nvidia Corporation. - 2015.

71. A Filtered backprojection algorithm for triple-source helical cone-beam CT / J. Zhao, Y. Jin, Y. Lu, G. Wang // IEEE Transactions on Medical Imaging. - 2009.

72. Weighted FBP - A simple approximated 3D FBP algorithm for multislice spiral CT with good dose usage for arbitrary pitch / K. Stierstorfer, A. Rauscher, J. Boese [et al.] // Physics in Medicine and Biology. - 2004.

73. Filtered backprojection proton CT reconstruction along most likely paths / S. Rit, G. Dedes, N. Freud [et al.] // Medical Physics. - 2013.

74. Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge / A. A. A. Setio, A. Traverso, T. de Bel [et al.] // Medical Image Analysis. - 2017.

75. Evans, R. Clustering for classification / R. Evans, B. Pfahringer, G. Holmes. -IEEE, 2011.

76. Kodinariya, T. M. Review on determining number of Cluster in K-Means Clustering / T. M. Kodinariya, P. R. Makwana // International Journal of Advance Research in Computer Science and Management Studies. - 2013.

77. Schubert, E. Stop using the elbow criterion for k-means and how to choose the number of clusters instead / E. Schubert // ACM SIGKDD Explorations Newsletter. -

2023. - Vol. 25. - № 1. - P. 36-42.

78. Hartigan, J. A. Algorithm AS 136: A K-Means Clustering Algorithm / J. A. Hartigan, M. A. Wong // Applied Statistics. - 1979. - Vol. 28. - № 1. - P. 100.

79. A New Approach to Determine the Optimal Number of Clusters Based on the Gap Statistic / J. Yang, J.-Y. Lee, M. Choi, Y. Joo. - Springer International Publishing, 2020.

80. The natural language explanation algorithms for the lung cancer computer-aided diagnosis system / A. Meldo, L. Utkin, M. Kovalev, E. Kasimov // Artificial Intelligence in Medicine. - 2020.

81. Chang, H.-H. Pulmonary Nodule Classification Using a Multiview Residual Selective Kernel Network / H.-H. Chang, C.-Z. Wu, A. H. Gallogly // Journal of Imaging Informatics in Medicine. - 2024.

82. Detection of pulmonary nodules in three-dimensional multiscale nested U-structure computed tomography images / Z. Xu, S. Zhang, L. Zhi, T. Zhou // Journal of Image and Graphics. - 2022.

83. Sweetline, B. C. Overcoming the Challenge of Accurate Segmentation of Lung Nodules: A Multi-crop CNN Approach / B. C. Sweetline, C. Vijayakumaran, A. Samydurai // Journal of Imaging Informatics in Medicine. - 2024.

84. Three-channel intelligent neoplasm classification system for the diagnosis of lung cancer / L. Utkin, A. Meldo, V. Kryshtapovich [et al.] // Robotics and Technical Cybernetics. - 2019. - Vol. 7. - № 3. - P. 196-207.

85. Online three-dimensional dendritic spines mophological classification based on semi-supervised learning / P. Shi, X. Zhou, Q. Li [et al.] // Proceedings - 2009 IEEE International Symposium on Biomedical Imaging: From Nano to Macro, ISBI 2009. -2009.

86. Fan, J. Challenges of Big Data Analysis / J. Fan, F. Han, H. Liu // National science review. - 2014. - Vol. 1. - № 2. - P. 293-314.