Разработка информационных технологий обработки и идентификации неоднородностей на изображениях с использованием нейронных сетей тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат технических наук Хлесткин, Андрей Юрьевич

• Хлесткин, Андрей Юрьевич
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Хлесткин, Андрей Юрьевич

ВВЕДЕНИЕ.

ГЛАВА 1. ОБЗОР СИСТЕМ ФОРМИРОВАНИЯ И ОБРАБОТКИ ЛУЧЕВЫХ ИЗОБРАЖЕНИЙ.

1.1 Анализ систем формирования цифровых изображений.

1.2 Анализ цифровой обработки медицинских изображений.

1.3 Параметры оценки качества лучевых изображений.

1.4 Модель формирования изображения на рентгеновской пленке.

1.5 Модели формирования цифрового изображения в пространственной области.

1.6 Операции квантования цифровых рентгеновских и томографических изображений.

1.7 Сравнительный анализ аналоговых и цифровых лучевых изображений.!.

ГЛАВА 2. КОМПЬТЕРНАЯ ОБРАБОТКА ЦИФРОВЫХ РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ.

2.1 Линейное повышение контраста рентгеновских изображений.

2.2 Гамма-преобразование цифрового рентгеновского изображения.

2.3 Видоизменение и эквализация гистограмм цифровых рентгеновских изображений.

2.4 Пространственная фильтрация лучевых изображений.

2.5 Частотные методы улучшения рентгеновских снимков.

2.6 Фильтрация низких частот с помощью Фурье-преобразования.

2.7 Фильтрация высоких частот рентгеновских изображений.

2.8 Полосовая частотная фильтрация рентгеновских изображений.

2.9 Геометрические преобразования и нормализация сцинтйграфических изображений .-.60

ГЛАВА 3. ОБНАРУЖЕНИЕ И РАСПОЗНАВАНИЕ

НЕОДНОРОДНОСТЕЙ НА ЦИФРОВЫХ ИЗОБРАЖЕНИЯХ.

3.1 Сканирование рентгеновского изображения сердца и гистограммы распределения интенсивностей яркости.

3.2 Сканирование краеобразующей дуги ССС и гистограммы распределения интенсивностей яркости.

3.3 . Анализ сканирования фрагментов рентгенограмм.

3.4 Геометрический анализ снимков сердца.

3.5 Разработка методов формирования мультимодального изображения слияния рентгенограммы и сцинтиграммы.

3.6 Разработка и применение специализированных нейронных сетей для распознавания неоднородностей на лучевых изображениях.

3.7 Нейронные сети в системе компьютерной диагностики заболеваний.

ГЛАВА 4. КОМПЬЮТЕРНО-ДИАГНОСТИЧЕСКИЙ КОМПЛЕКС «DMR». АНАЛИЗ И ОБРАБОТКА ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ.

4.1 Организация программного комплекса.

4.2 Функциональные возможности обработки изображений программным комплексом «DMR».

4.3 Программные модули цифровой обработки рентгенографических снимков.

4.4 Компьютерная ассистируемая диагностика изображения сердечнососудистой системы.

4.5 --Программный модуль формирования мультимодального изображения слияния рентгенограммы и сцинтиграммы.

4.6 Аппаратная реализация программного комплекса «DMR» на базе ПЛИС в виде автономного радиотехнического устройства.;.

Введение диссертации (часть автореферата) на тему «Разработка информационных технологий обработки и идентификации неоднородностей на изображениях с использованием нейронных сетей»

Актуальность темы

Актуальность разработки новых методов и моделей цифровой обработки изображений, устройств распознавания неоднородностей на лучевых изображениях определяется, прежде всего, возросшими требованиями к качеству и надежности разрабатываемых систем и радиотехнических устройств, созданием перспективных информационных технологий с использованием нейронных сетей.

Исследования, проводимые в области лучевой диагностики, сталкиваются-с рядом проблем и задач. Одной из таких задач является получение качественных медицинских изображений, имеющих высокий диагностический потенциал выявления артефактов.

Преобразование лучевых изображений в цифровой формат дает возможность обеспечить компьютерную обработку, заключающуюся в улучшении контраста и пространственного разрешения, идентификации и текстуризации рентгеновских изображений, что, в свою очередь, ставит задачу разработки, совершенствования и дальнейшего развития надежных и эффективных методов обработки лучевых изображений.

Современные методы получения цифрового изображения, в большинстве случаев, основаны на аппаратных средствах с использованием различных методов преобразования. Информационные технологии в лучевой диагностике требуют специализированного программного обеспечения, совмещающего мультимодальную визуализацию с методами цифровой обработки изображений.

Нейронно-сетевой подход имеет преимущества перед традиционными математическими методами, если рассматриваемая задача не поддается, адекватной формализации, поскольку содержит элементы неопределенности, не формализуемые традиционными математическими методами, или существующий математический аппарат решения задачи не удовлетворяет требованиям получения решений по времени, размеру, качеству и др.

Существующие методы реконструкции изображений и фильтрации, позволяют получать диагностические заключения посредством компьютерной обработки пленочных рентгеновских снимков[1,. 2, 3, 4, 5, 6]. Визуализация.по пленочным рентгеновским снимкам с помощью широко известного «молочно-белого» экрана и диагностика изображений экспертами не позволяет детально проводить идентификацию артефактов и анализ количественных данных. Задача интерпретации рентгеновских изображений решается в рамках нейросетевых технологий каждого набора параметров из обучающего множества.

Несмотря на то, что сейчас широко развиваются такие методы диагностики, как компьютерная томография (КТ) [2, 3], магниторезонансная томография (МРТ) [4] и позитронно-эмиссионная томография (ПЭТ), имеющие высокую диагностическую информативность, обследования этими методами, имеют недостатки: дорогое оборудование и специализированное программное обеспечение. Все это повышает стоимость обследования, поэтому в настоящее время данные методы визуализации используются только после рентгенографии при подозрении на заболевания, требующие дополнительного обследования [7, 8, 9].

Использование при рентгенологическом обследовании методов фильтрации снимков позволяет в большинстве случаев выявить неоднородности и артефакты на изображениях [10]. Особенность исследований диссертационной работы заключается в проведении таких процедур, как фильтрация в пространственной и частотной областях, гистограммный анализ изображения и сегментация текстур на нем для повышения диагностического потенциала изображения.

Современное развитие систем компьютерной ассистируемой диагностики (КАД) дает возможность распознавать заболевания на ранних стадиях, при этом исключается субъективность обследования [46]. Нейроускорители и б системы, реализованные на аппаратной платформе в виде функционально законченного радиотехнического устройства, позволили гибко использовать систему компьютерной ассистируемой диагностики.

Актуальной задачей является создание численных алгоритмов обнаружения и распознавания артефактов* и аппаратная реализация радиотехнического устройства для применения в медицинской практике.

Таким образом, решение отмеченных проблем позволило существенно повысить информационную отдачу лучевых изображений, создать новые эффективные алгоритмы обработки и распознавания изображений с помощью нейронных сетей встречного распространения и при этом дополнить возможности других, более современных методов.

Цель работы и задачи исследования

Целью диссертации является исследование и оптимизация методов анализа и обработки рентгеновских изображений, распознавания и выявления артефактов на цифровой или оцифрованной рентгенограмме, сканирования, и анализ гистограмм на наличие неоднородностей на снимках сердечнососудистой системы, моделирование мультимодального изображения слияния рентгенограммы и сцинтиграммы, выбор оптимальной структуры нейронной сети и построение модели нейросетевого классификатора.

Основные задачи работы

Для достижения поставленных целей необходимо провести анализ существующих методов и решить следующие задачи:

- разработать новый подход к решению задач фильтрации изображений, улучшающий качество и распознаваемость;

- разработать метод и алгоритм формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм;

- разработать аппаратную реализацию программного комплекса «ОМЫ» на базе программируемой логической интегральной схемы в виде автономного радиотехнического устройства;

- разработать алгоритм и нейросетевой классификатор распознавания, текстуры изображений;

- разработать метод оценки изображения, учитывающий статистику значений пикселей из их локального множества на основании гистограмм «зоны интереса» и эталонных.

Научная новизна диссертации

1. Разработаны метод и алгоритм формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм, позволяющие увеличить информативность зрительного восприятия за счет интеграции преимуществ двух методов визуализации.

2. Разработан новый подход к решению задач фильтрации в частотно-пространственной области рентгенографических и сцинтиграфических изображений, ранее не применявшийся; получены эффективные значения параметров фильтров.

3. Разработана система методик, обеспечивающих выбор размера ячейки, при сканировании «зон интереса» на цифровых рентгенограммах. На основании исследования характера и параметров распределения значений гистограмм интенсивностей «зон интереса» разработан метод анализа краеобразующей дуги сердечно-сосудистой системы оцифрованных рентгенограмм, позволяющий определить наличие неоднородностей.

4. На основе методов цифровой обработки изображений предложен алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

5. Разработаны алгоритм и классификатор, реализующие- на аппаратном уровне принципы нейросетевой технологии для распознавания текстуры изображения.

Достоверность научных положений

Достоверность научных положений диссертации обеспечивается математически корректной постановкой задачи, использованными методами цифровой обработки изображений, методами фильтрации, тщательным тестированием отдельных блоков и модулей программного комплекса, сравнением полученных решений в некоторых частных случаях с результатами других авторов. Все полученные в ходе исследования результаты проанализированы с точки зрения их физической достоверности. Визуальный анализ результатов компьютерного моделирования также подтверждает их корректность.

Практическая ценность и реализация результатов работы

Результаты исследования позволяют сформировать новую лучевую диагностическую концепцию, развивающую рентгенологический подход к распознаванию заболеваний на ранних стадиях. Применение нейросетевого подхода к решению задач идентификации неоднородностей является основой для радиотехнических устройств на базе программируемых логических интегральных схем. Основные теоретические и практические результаты переданы и используются в обследованиях пациентов на кафедре геронтологии и гериатрии при «Госпитале ВОВ и ветеранов труда», на кафедре лучевой диагностики ГОУ ВПО «Самарский государственный медицинский университет».

На защиту выносятся:

1. Метод и алгоритм формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм

2. Новый подход к решению задач фильтрации в частотно-пространственной области рентгенографических и сцинтиграфических изображений-. . .„ . .

3. Система методик, обеспечивающих выбор размера ячейки при сканировании «зон интереса» на цифровых рентгенограммах.

4. Алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

5. Алгоритм и классификатор, реализующие на аппаратном уровне принципы нейросетевой технологии для распознавания текстуры изображения.

Апробация результатов диссертации

Материалы диссертации докладывались и обсуждались на следующих конференциях:

- VI Международная Выставка - Форум «Инфоком-2006» (Самара, Экспо-Волга, 2006);

- V Международная НТК «Физика и технические приложения волновых процессов» (Самара, 2006);

- IX Всероссийский Симпозиум по Прикладной и Промышленной Математике «Насущные проблемы прикладной и промышленной математики в Ставрополье» (Кисловодск, 2008);

- V Всероссийская НТК с международным участием «Математическое моделирование и краевые задачи» (Самара, 2008);

- IX Международная НТК «Проблемы техники и технологий телекоммуникаций» (Казань, 2008);

- XVII Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов ПГУТИ (Самара, февраль 2010);

- XI Всероссийский Симпозиум по Прикладной и Промышленной Математике (Кисловодск, 2010).

Диссертация апробирована на семинаре Научно-исследовательского института математики и механики им. Н.Г. Чеботарева Казанского государственного университета (Казань, февраль 2008), на межкафедральном заседании кафедр гериатрии й лучевой диагностики ГОУ ВПО «Самарский государственный медицинский университет» (Самара, 2009).

Публикации

По теме диссертации опубликовано 12 печатных работ, в том числе 4 статьи в научных журналах, входящих в перечень ВАК РФ, 8 тезисов и докладов. Получено свидетельство о государственной регистрации программы для ЭВМ № 2010317167 (2010).

Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы. Работа содержит 150 страниц машинописного текста, 87 рисунков и 3 таблицы. Список литературы включает в себя 88 наименований.

Заключение диссертации по теме «Радиотехника, в том числе системы и устройства телевидения», Хлесткин, Андрей Юрьевич

ЗАКЛЮЧЕНИЕ

Интеграция современных информационных технологий в ^ медицину способствует тому, что-компьютерные системы-диагностики находят, широкое применение в медицине, и тем самым появляется широкий выбор вариантов автоматизации исследований. Разработанная диагностическая компьютерная система «DMR» позволяет:

- проводить контрастирование рентгенограмм;

- проводить фильтрацию лучевых изображений в частотной и пространственной областях;

- масштабировать фрагменты изображения;

- проводить геометрические преобразования;

- анализировать и выделять контуры сердечно-сосудистой системы на рентгеновских изображениях;

- определять границы яркости шкалы черно-белого, соответствующие сердечно-сосудистой системе на рентгеновском изображении;

- вычислять параметры изображений ССС: уровней яркости шкалы черно-белого, интенсивности яркости I, средней яркости, распределение интенсивности;

- сканировать ячейки сетки рентгенограммы ССС с целью изучения локальных особенностей;

- строить двухмерных гистограмм отдельных ячеек, входящих в «зону интереса»;

- автоматизировать процесс анализа рентгеновских изображений в области ССС;

- формировать мультимодальное изображение слияния рентгенограммы и сцинтиграммы;

- вести статистический анализ рентгеновских снимков, текстур ткани;

- интегрировать снимки с информацией в единой Базе Данных.

К основным результатам и выводам диссертации можно отнести следующее.

Разработан метод формирования мультимодального изображения слияния рентгенограмм и сцинтиграмм с использованием геометрическойкоррекциш

Проведен , сравнительный анализ пространственного разрешения различных систем формирования изображений, получены результаты исследования текстур рентгенограммы по яркостному разрешению.

Разработан новый подход к решению задач фильтрации в частотно-пространственной области рентгенографических и сцинтиграфических изображений, получены значения параметров фильтров.

Разработана система методик, обеспечивающих выбор размера ячейки при сканировании «зон интереса» на цифровых рентгенограммах. На основании исследования^ характера и параметров распределения значений гистограмм интенсивностей «зон интереса» разработан метод анализа краеобразующей дуги сердечно-сосудистой системы оцифрованных рентгенограмм, позволяющий определить наличие неоднородностей.

На основе методов цифровой обработки изображений предложен алгоритм обработки лучевых изображений с оптимальными параметрами, обеспечивающий повышение информативности изображений с использованием нейронных сетей встречного распространения.

Разработаны алгоритм и классификатор, реализующие на аппаратном уровне принципы нейросетевой технологии для распознавания текстуры изображения.

Разработан диагностический программный комплекс, позволяющий-проводить цифровую обработку изображений; осуществлять компьютерную ассистируемую диагностику; формировать мультимодальные изображения.

Выполнена аппаратная реализация программного комплекса в виде радиотехнического устройства на базе программируемой логической интегральной схемы.

Список литературы диссертационного исследования кандидат технических наук Хлесткин, Андрей Юрьевич, 2010 год

1. Котляров, П. М. Возможности^ рентгеновской" компьютерной томографии в диагностике центрального рака легкого Текст. / П. М. Котляров, Н. А. Глаголев, В. П. Харченко // Вопросы онкологии. 2000. - Т. 46.-№6.-С. 686-689.

2. Котляров, П. М. Возможности магнитно-резонансной томографии в диагностике периферического рака легких Текст. / П. М. Котляров, Е. В. Гамова, Н. В. Нуднов // Мед. визуализация. -2002. №4. - С. 35-39.

3. Журавель, И.М. Краткий курс теории обработки изображений^ Электронный ресурс. / И. М. Журавель. Режим доступа : http://matlab.exponenta.ru/imageprocess/book2/index.php. -11.03.2010.

4. Тютин, Л. А. Неинвазивная визуализация коронарных артерий с помощью многослойной спиральной компьютерной томографии Текст. / Л. А. Тютин., П. Э. Ицкович, Е. В. Розенгауз // Мед. визуализация. -2004, -№3. -С. 65-73.

5. Харченко, Б.П. Рак легкого: фундаментальные проблемы и клинические перспективы. Руководство для врачей Текст. / Б.П. Харченко, И.В. Кузьмин. -М.: Медицина, 1994, -479 с.

6. Белова, И.Б. Малодозовая цифровая рентгенография в. профилактических обследованиях населения Текст. / И.Б. Белова, В.М. Китаев // Радиология-практика. -2001. -№2. -С. 22-26.

7. Медицинская рентгенология: технические аспекты, клинические материалы, радиационная безопасность / Под ред. проф. Р. В. Ставицкого, -М.; МНПИ, 2003. -344 с.

8. Зеликман, М.И. Цифровые приемники для рентгенодиагностических аппаратов Текст. / М.И. Зеликман // Радиология-практика, -2001. —№1, -С. 30-34.

9. Мазуров, А.И. Параметры цифровых приемников и качество< изображения / А.И. Мазуров, // Мед. техника. -2009. -№5. -С. 4-7.

10. Блинов, А. Б. Определение эффективных доз облучения пациентов при рентгенологических исследованиях / А.Б. Блинов // Мед. техника. —2009. №5.-С. 31-37.

11. Осадчий, А.С Повышение эффективности рентгенодиагностики путем компьютерной обработки рентгенограмм Текст. / A.C. Осадчий, И.П. Королюк, Ю.Л. Минаев // Врач-аспирант. -2007. -№6. -С. 501-507.

12. Степанова, Е. А. Цифровая (CR) рентгенография в муниципальном и региональном здравоохранении РФ: дис. . канд. мед. наук / Е.А. Степанова МОНИКИ,2006. - 164 с.

13. Бару, С. Е. Микродозовые рентгенографические системы и области их оптимального применения / С. Е. Бару // Мед. техника. -2009. -№5. -С. 40-42.

14. Вейп Ю. А. Универсальные цифровые приемники рентгеновских изображений / Ю. А. Вейп, А. И. Мазуров // Мед. техника. -2009. -№5. -С. 37-40.

15. Блинов, Н. Н Преобразователи рентгеновских изображений. Разработка и перспективы / Н. Н. Блинов, Ю. В. Варшавский, М. И. Зеликман // Компьютерные технологии в медицине. -1997.-№3. -С. 23-24.

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

17. Andriole, K.P. Finding-specific display presets" for computed radiography soft-copy reading / K.P. Andriole, R.G. Gould // Digit Imaging. -1999.-12(2).-P. 3-5.

18. Andriole, K.P. Workflow assessment of digital versus computed radiography and screen-film in the outpatient environment / K.P. Andriole, D.M. Luth, R.G. Gould // Digit Imaging. -2002. -15(1). -P. 124-126.

19. Bradford, C.D. Performance characteristics of a Kodak computed radiography system / C.D. Bradford, W.W. Peppier, J.T. Dobbins III // Med.'Phys. -1999.-26(1).-P. 27-37.

20. Morgan, K.Z. History of the International Radiation Protection Association / K.Z. Morgan // Health Phys. -1998. -74(6). -P. 644-5.

21. Salvini, E. Digital storage phosphor radiography. Doses and image quality / E. Salvini, G. Pedroli, G. Montanari, R. Pastori, A. Crespi, G. Zincone // Radiol. Med. -1994. -87(6). -P. 847-851.

22. Sanfridsson, J. Radiation doseand image information in computed radiography. A phantom study of angle measurements in the weight-bearing knee / J. Sanfridsson, G. Holje, G. Svahn, L. Ryd, K. Jonsson // Acta Radiol. -2000. -41(4).-P. 310-316.

23. Bhargavan, M. Workload of Radiologists in United States in 2006-2007 and Trends Since 1991-1992 / M-. Bhargavan; A.H. Kaye, H.P. Forman, J.H. Sunshine // Radiology. -2009. -P. 458-467.

24. Рюдигер, Ю.Г. О применении синей и зеленой систем визуализации изображения в рентгенографии / Ю.Г. Рюдигер //Мед. техника. -2004. — №6: -С. 57-66.

25. Гуржиев, А.Н. Отображение-цифрового рентгеновского снимка на экране компьютера: проблемы и пути их. решения / А.Н. Гуржиев; С. Н; Гуржиев, А. В. Кострицкий // Радиология-практика. -2003. -№ 3. -С. 52-55.

26. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, В.П. Косых, Г.И; Перетягин, A.A. Спектор. Новосибирск: Изд-во НГТУ, 2002, - 352 с.

27. Беликова, Т.П. Моделирование линейных фильтров, для обработки рентгеновских изображений, в задачах медицинской диагностики / Т.П. Беликова; под ред. В.И.Сифорова, Л.П.Ярославского. -М.: Наука, 1990. 176с.

28. Хонина, С.Н. Обработка изображении спектральный метод увеличения фрагментов цифровых изображений Текст. / С.Н. Хонина, В.Г. Баранов, В.В. Котляр // Компьютерная оптика. 1999. - №19. -0.165-174.

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

30. Куприянов, A.B. Оценивание диагностических параметров сосудов на изображениях глазного дна в области диска зрительного нерва / A.B. Куприянов, Н.Ю. Ильясова, М.А. Ананьин // Компьютерная оптика. -2006. -№29. -С. 141-146.

31. Ильясова, Н.Ю. Измерение биомеханических характеристик сосудов для ранней диагностики сосудистой патологии глазного дна / H.IO. Ильясова, A.B. Куприянов, М.А. Ананьин, H.A. Гаврилова// Компьютерная оптика. -2005. -№27. -С. 165-169.

32. Branchevsky, S.L. Methods for estimating geometric parameters of retinal vessels using diagnostic images of fundus / S.L. Branchevsky, A.B. Durasov, N.Yu. Ilyasova, A.V. Ustinov fundus // Proceedings SPIE. -1998. Vol. 3348. -P. 316-325.

33. Ching-Wen, Ya. Computer-aided diagnostic detection system of venous beading in retinal images / Ya. Ching-Wen, M. DyeJyun, Ch. ShuennChing, W, ChuinMu, W. Chia-Hsien, L. ChienShun // Optical Engineering. -2000: —39(5). -P. 1293-1303

34. Ильясова, Н.Ю. Метод выделения центральных линий-кровеносных сосудов^ на диагностических изображениях / Н.Ю. Ильясова, А.О. Корепанов, П.М. Чикулаев // Компьютерная оптика. -2006. -№29. -С. 146-149.

35. Ильясова, Н.Ю. Анализ структуры сосудистой системы сердца^ методом трассировки изображений проекций / Н.Ю. Ильясова, А.О. Корепанов, А.В. Куприянов, В.Г. Баранов, А.Г. Храмов // Компьютерная, оптика. -2002. -№23. -С. 53-57.

36. Dijkstra, W. A note on two problems in connexion with graphs / W. Dijkstra //Numerische Mathematik. -1959. -P. 269-271.

37. Колентьев, C.B. Информационно-измерительная сисмтема идентификации патологических структур по флюорограммам: дис. . канд. тех. наук / C.B. Колентьев СГТУ, -2004. -133 с.

38. Мякишева, Т.В. Цифровая маммография в клинической практике Текст. / Т.В. Мякишева // Медицинский бизнес. -2006. -№ 10. С. 62-64.

39. Зеликман, М. И. Сравнительный анализ различных методов оценки эффективных доз при использовании рентгеновских компьютерных . томографов / М.И. Зеликман, С.А. Кручинин // Мед. техника. -2009. -№5. -С. 7-12.

40. Яне, Б. Цифровая обработка изображений / Б. Яне; пер. с англ. А.М: Измайловой. -М.: Техносфера, 2007. -584 с.

41. Hounsfield, G.N. Computed Medical Imaging / G.N: Hounsfield* // World Scientific Publishing Co. -1992. -P. 568-586.

42. Телевизионные методы обработки рентгеновских и гамма-изображений / H.H. Блинов, Е.М. Жуков, Э.Б. Козловский, А.И. Мазуров. -М.: Энергоатоиздат, 1982. -200 с.

43. Методы компьютерной обработки изображений / М.В. Гашников и др.; под ред. В.А. Сойфера. -М.: Физматлит, 2003. 576 с.

44. Шехтер, А.И Обработка рентгеновского изображения малых шаровидных образований легких с использованием линейной фильтрации / А.И. Шехтер, Ю.А. Романычев, И.М. Кодолова // Вест, рентгенол. -1986. —№ 1.-С. 21-28.

45. Прэтт, У. Цифровая обработка изображений / У. Прэтт; пер. с англ. под ред. Д.С. Лебедева. -М.: Мир, Т. 1. -1982. 312 е.; Т. 2. -1982. - 325 с

46. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс; пер. с англ. под ред. П.А. Чочиа. -М.:Техносфера, 2005. 1072 с.

47. Ярославский, Л.П. Введение в цифровую обработку изображений / Л.П. Ярославский. -М.:Совл радио, 1979.-312 с.

48. Цифровое преобразование изображений: учеб. пособие для вузов / P.E. Быков, Р. Фрайер, К.В. Иванов; A.A. Манцветов; под ред. проф. P.E. Быкова. -М.: Горячия линия-Телеком, 2003, -228 с:

49. Абламейко, C.B. Обработка изображений: технология, методы,, применение / C.B. Абламейко, Д.М. Лагуновский. -Мн.:.Амалфея, 2000. 304 с:

50. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, В.П. Косых, Г.И: Перетягин, A.A. Спектор. Новосибирск: Изд-во НГТУ, 2002, - 352 с.

51. Власенко, В.А. Методы синтеза быстрых алгоритмов вертки и спектрального анализа сигналов / В.А. Власенко, Ю.М. Лаппа, Л.П. Ярославский. -М.: Наука, 1990. 160 с.

52. Хермен, Г. Восстановление изображений по проекциям: Основы реконструктивной томографии / Г. Херман; пер. с анг. Л.В. Бабина и А.Б. Мещерякова под ред. Л.М. Сороко. -М.: Мир, 1983. -352 с.

53. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт; пер. с англ. под ред. В.Л. Стефанюка. -М.: Мир, 1976. -502 с.

54. Фу, К. Последовательные методы в распознавании образов и обучении машин / К. Фу; пер. с англ. под ред. Л.А. Мееровича, Я.З. Цыпкина. -М. : Наука, 1971. -256 с.

55. Фурман, Я.А. Цифровые методы обработки и распознавания бинарных изображений / Я.А. Фурман, А.Н. Юрьев, В.В. Яншин.-- -------- Красноярск:-КГУ, 1992.-248 с.

56. Бейтс, Р. Восстановление и реконструкция изображении/ Р.Бейтс М. Мак-Доннел; пер.с англ. -М.: Мир, 1989. -336 с.

57. Кривозубов, В.П. Дигитальная обработка рентгеновских снимков: интерпретация, распознавание, диагностика / В.П. Кривозубов, H.Ol Захарова, A.B. Николаева. -Самара: СНЦРАН, 2008. -286с.

58. Хлесткин А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами Текст. / А.Ю.' Хлесткин, В.П. Кривозубов, A.B. Николаева // Инфокоммуникационные технологии. 2006. - № 3. - С. 64-69.

59. Хлесткин А.Ю. Выявление артефактов сердца методами преобразований спектров с применением окна поиска Текст. / А.Ю. Хлесткин, В.П. Кривозубов // Инфокоммуникационные технологии. 2008. -№4.-С. 79-83.

60. Хлесткин А.Ю. Дигитальное сканирование в. диагностике рентгенографических снимков Текст. / А.Ю. Хлесткин, P.P. Янгазов // Инфокоммуникационные технологии. 2008. - № 4. -С. 91-96.

61. Хлесткин А.Ю.* Модели слияния рентгеновских и сцинтиграфических изображений в распознавании артефактов Текст. / А.Ю. Хлесткин, О.В. Старожилова // Инфокоммуникационные технологии. 2010. - № 2. - С. 40-42.

62. Стариков А. Применение нейронных сетей для задач классификации и кластеризации. http://www.basegroup.ru/.

63. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика / Ф. Уоссермен, пер. с анг. под ред. Ю.А. Зуев. — М.: Мир, 1992.

64. Братко, И. Алгоритмы искусственного интеллекта на языке. / И. Братко. М.: Вильяме, 2004. -640 с.

65. Заенцев, И.В. Нейронные сети: основные модели / И.В. Зайцев. Воронеж: ВГУ, 1999. -157 с.

66. Розенблатт, Ф. Принципы нейродинамики: персептроны и теория механизмов мозга (Principles of Neurodynamic: Perceptrons and the Theory of Brain Mechanisms) / Ф. Розенблатт. -M.: Мир, 1965. -480 с.

67. Оссовский, С. Нейронные сети для обработки информации / С. Оссовский, пер. с польского под ред. И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.