Разработка методов и программных средств цифровой обработки изображений для обнаружения, анализа и визуализации областей интереса на примере данных магнитно-резонансной томографии головного мозга тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Шустова Мария Вениаминовна

• Шустова Мария Вениаминовна
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Шустова Мария Вениаминовна

Список сокращений

Введение

Глава 1. Исследование предметной области, постановка задач диссертационной работы

1.1. Систематизация и классификация инструментальных средств и методов

выделения, анализа и визуализации зон интереса на МРТ-снимках

1.1.1. Программные средства обработки и визуализации МРТ-данных

1.1.2. Методы сегментации, анализа и визуализации области головного мозга

1.1.3. Методы сегментации, анализа и визуализации зон поражения

1.1.4. Методы выделения и визуализации трансплантированных стволовых клеток

1.2. Алгоритмы для трекинга скоплений стволовых клеток

1.2.1. Методы автоматического трекинга МСК

1.2.2. Методы пространственно-временного сопоставления множеств точек

1.2.3. Методы 2Б- и ЭБ-морфинга

1.3. Постановка задач диссертационной работы

1.4. Выводы по первой главе

Глава 2. Разработка и исследование методов обработки изображений для решения задач обнаружения зон ишемического поражения и поиска стволовых клеток на МРТ-снимках

2.1. Разработка методов предварительной обработки МРТ-изображений

2.1.1. Выравнивание яркости изображения методом смешения с градиентом

2.1.2. Выделение области мозга крысы

2.1.3. Приведение МРТ-изображения мозга крысы к эталонному

2.1.4. Методы предобработки снимков МРТ для выделения МСК: вычитание и фильтрация по яркости

2.2. Разработка методов поиска зон ишемического поражения

2.2.1. Выделение и анализ областей ишемического поражения с помощью классификатора на основе расстояния Евклида-Махаланобиса, формирование признакового пространства на основе текстурных признаков Харалика

2.2.2. Нейросетевой метод выделения областей ишемического поражения

2.3. Разработка метода выделения трансплантированных мезенхимальных стволовых клеток

2.3.1. Применение волнового алгоритма

2.3.2. Фильтрация по яркости и удаление неинформативных объектов

2.3.3. Фильтрация методом окна-маски круглой формы

2.3.4. Сравнение предложенного метода с методами Conditional Random Field и корреляционным подходом

2.4. Выводы по второй главе

Глава 3. Разработка методов трекинга и визуализации зон интереса врача-исследователя по МРТ-данным

3.1. Алгоритмы 2D- и 3D-визуализации головного мозга и зон ишемического поражения

3.1.1. Совмещенный режим 2D-визуализации скоплений МСК и зон ишемического поражения

3.1.2. Совмещенный режим 3D-визуализации скоплений МСК и зон ишемического поражения

3.2. Трекинг скоплений стволовых клеток

3.2.1. Анализ срезов головного мозга в хронологической последовательности

3.2.2. Моделирование движения скоплений МСК

3.3. Анализ динамики изменения областей интереса

3.3.1. Алгоритмы для расчета информативных параметров областей интереса на МРТ-снимках

3.3.2. Анализ влияния мезенхимальных стволовых клеток на очаги ишемического инсульта мозга

3.4. Выводы по третьей главе

Глава 4. Разработка программного обеспечения и графического интерфейса врача-исследователя

4.1. Структура системы анализа данных МРТ

4.2. Программная реализация универсального графического интерфейса

4.3. Сравнительный анализ разработанных методов, моделей, подходов и алгоритмов с имеющимися аналогами

4.4. Выводы по четвертой главе

Общие выводы и заключение

Список литературы

Список сокращений

BET - Brain Extraction Tool

CRF - Conditional Random Field

Go-ICP - Globally Optimal Iterative Closest Point

ICP - Iterative Closest Point

SPIO - Superparamagnetic iron oxide

SWI - Susceptibility weighted imaging

ГНС - глубокая нейронная сеть

ИКД - измеряемый коэффициент диффузии

ИНС - искусственная нейронная сеть

КНС - клеточная нейронная сеть

МРТ - магнитно-резонансная томография

МСК - мезенхимальные стволовые клетки

ПО - программное обеспечение

СНС - сверточная нейронная сеть

Введение диссертации (часть автореферата) на тему «Разработка методов и программных средств цифровой обработки изображений для обнаружения, анализа и визуализации областей интереса на примере данных магнитно-резонансной томографии головного мозга»

Введение

Актуальность темы исследования. На сегодняшний день магнитно-резонансная томография (МРТ) в сочетании с маркировкой мезенхимальных стволовых клеток (МСК) нано- или микрочастицами оксида железа является наиболее эффективным и удобным методом для перенесения в клиническую практику. Комбинирование современных методов МРТ и методов научной визуализации позволяет строить карты миграции и распространения МСК после их трансплантации, что позволяет лучше понимать механизмы действия МСК на очаги заболевания, например, при ишемическом поражении головного мозга. Однако получаемые большие объемы информации с томографа замедляют скорость их интерпретации врачами при проведении клинических и научных исследований. К тому же, при попытках отследить траекторию движения стволовых клеток возникают проблемы точного сопоставления начального и конечного положения МСК из-за сильного разнесения во времени снимков МРТ, по которым проводится исследование, и по причине разделения или слияния скоплений стволовых клеток между собой.

Клеточная терапия с использованием МСК является инновационной биомедицинской технологией в регенеративной медицине. Большой вклад в развитие направления клеточной терапии внесли зарубежные и отечественные ученые: Томсон Дж., Хедрик М., Яманака С., Атала Э., Ланца Р., Максимов А.А., Фриденштейн А.Я., Ярыгин В.Н., Ярыгин К.Н. Решению задачи выделения различных областей интереса на данных МРТ посвящено достаточно много работ как зарубежных, так и отечественных авторов: Peters M.J., Wieringa H.J., Garrison K., Rogalsky C., Tang Y., Zhang C., Wang J., Bulte J., Гайдель А.В., Зельтер С.С., Капишников А.В., Храмов А.Г., Серегин П.С.

В настоящей диссертационной работе основное внимание уделено разработке методов автоматического выделения и анализа областей интереса,

включая скопления стволовых клеток и очаги ишемического поражения мозга на снимках МРТ.

Объектом исследования являются данные МРТ головного мозга лабораторного животного, имеющего ишемические поражения, с инвазивным введением МСК.

Предметом исследования являются методы и алгоритмы выделения, анализа и визуализации областей интереса врача-исследователя по данным МРТ.

Целью исследования является повышение эффективности информационной поддержки врача-исследователя за счет разработки методов и программных средств автоматического выделения областей интереса, трекинга и визуализации движения скоплений трансплантированных МСК.

Задачи исследования.

1. Разработка методов предварительной цифровой обработки (выравнивание освещенности, выделение и нормализация области головного мозга).

2. Разработка и оценка сложности методов выделения зон ишемического поражения головного мозга на снимках МРТ и измерения их характеристик.

3. Разработка и оценка сложности метода выделения и трекинга скоплений трансплантированных МСК на снимках МРТ.

4. Разработка метода когнитивной 2Б- и ЭБ-визуализации результатов цифровой обработки снимков МРТ, полученных в режимах Т2 и Б'Ш.

5. Разработка человеко-машинного графического интерфейса врача-исследователя для решения комплекса задач анализа и когнитивной визуализации областей интереса с применением машинной графики.

6. Анализ динамики изменения областей интереса с применением разработанного инструментария для проверки предположения о положительном воздействии стволовых клеток на очаги ишемического инсульта.

Методы исследования. В работе использованы методы цифровой обработки изображений, машинного обучения, распознавания образов, математического программирования, 2Б- и ЭБ-когнитивной машинной графики.

Область исследования. Содержание диссертации соответствует следующим пунктам паспорта специальности 05.13.11 «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей»: п.7 «Человеко-машинные интерфейсы; модели, методы, алгоритмы и программные средства машинной графики, визуализации, обработки изображений, систем виртуальной реальности, мультимедийного общения».

Научная новизна.

1. Разработаны методы и инструментальные средства цифровой обработки данных МРТ головного мозга, включающие в комплексе: выделение очагов ишемического поражения, моделирование, анализ и когнитивную 2D- и 3D-визуализацию движения скоплений трансплантированных МСК.

2. Разработан универсальный исследовательский программный комплекс, позволяющий совмещать результаты обработки данных МРТ, полученных в режимах Т2 и SWI, существенно расширяющий возможности врача-исследователя в изучении процессов миграции и хоуминга МСК в ишемизированном мозге.

3. Создан многофункциональный человеко-машинный интерфейс для исследования влияния МСК на области ишемического поражения. Интерфейс опирается на модели, методы, алгоритмы и программные средства машинной графики, визуализации и обработки изображений.

Положения, выносимые на защиту:

1. Методы предварительной обработки снимков МРТ, основанные на подборе адекватных инструментальных средств выравнивания освещенности, удаления фона и фильтрации, для повышения качества обработки исследуемых изображений.

2. Методы выделения и анализа характеристик областей ишемического поражения на МРТ-снимках в различных режимах работы томографа, основанные на применении искусственной нейронной сети и обобщенной метрики.

3. Методы выделения и трекинга скоплений стволовых клеток на МРТ-снимках с применением 2D- и 3D-моделирования и прогнозирования движения на основе решения транспортной задачи.

4. Новый метод 3D-визуализации головного мозга с демонстрацией результатов МРТ-анализа зон ишемического поражения и скоплений стволовых клеток с одновременным измерением параметров областей интереса.

5. Программный комплекс, снабженный универсальным графическим интерфейсом врача-исследователя с возможностью когнитивной визуализации областей интереса для поддержки принятия решений.

Практическая значимость. Разработанный программный комплекс позволяет визуализировать скопления стволовых клеток и областей ишемического поражения мозга как в 2Б-, так и в ЭБ-формате. Реализованные методы цифровой обработки и когнитивной визуализации данных МРТ позволяют отслеживать динамику и проводить измерения параметров областей интереса. Программный комплекс служит для поддержки работы врачей, занимающихся лабораторными исследованиями вопросов терапевтического влияния стволовых клеток.

Обоснованность и достоверность результатов. Полученные в диссертации результаты обоснованы постановкой и решением задач распознавания образов и обработки изображений, а также корректным применением математических методов. Достоверность подтверждается результатами вычислительных экспериментов, выполненных с использованием реальных баз МРТ-снимков.

Апробация работы. Результаты, которые были получены в рамках выполнения диссертационной работы, представлялись и обсуждались на научных семинарах кафедры информационных технологий Российского университета дружбы народов, Лаборатории № 18 «Компьютерной графики» Института проблем управления им. В.А. Трапезникова Российской академии наук и Лаборатории интеллектуального управления Института программных систем им.

А.К. Айламазяна Российской академии наук, а также на следующих научных мероприятиях:

- III Международная научно-практическая конференция «Проблемы современной медицины: актуальные вопросы» (11 ноября 2016 г.), г. Красноярск, 2016;

- Межрегиональный форум «Инфосибирь» (17-18 мая 2017 г.), выставочный комплекс «Новосибирск Экспоцентр», г. Новосибирск, 2017;

- Международная летняя школа-семинар по искусственному интеллекту для студентов, аспирантов, молодых ученых и специалистов «Интеллектуальные системы и технологии: современное состояние и перспективы» (ISYT-2017) (30 июня - 3 июля 2017 г.), г. Санкт-Петербург, 2017;

- XVIII Ежегодная специализированная конференция «Информационные технологии в медицине» (12-13 октября 2017 г.), г. Москва, 2017;

- V Международная научно-практическая конференция «Актуальные вопросы медицины в современных условиях» (11 января 2018 г.), г. Санкт-Петербург, 2018;

- V Международная научно-практическая конференция «Актуальные проблемы медицины в России и за рубежом» (11 февраля 2018 г.), г. Новосибирск, 2018;

- 3rd Russian-Pacific Conference on Computer Technology and Applications (RPC) (18-25 августа 2018 г.), г. Владивосток, 2018;

- XIX Международный конгресс «Информационные технологии в медицине» (11-12 октября 2018 г.), г. Москва, 2018;

- 2018 International Workshop on Biomedicaland Health Informatics in conjunction with BIBM 2018 (3-4 декабря 2018 г.), г. Мадрид, Испания, 2018;

- Международная конференция «Искусственный интеллект, когнитивное моделирование и интеллектуальная робототехника» (ИИКМИР'2019) (13-17 мая 2019 г.), г. Дубна, 2019;

- 12 Мультиконференция по проблемам управления (МКПУ-2019) (23-28 сентября 2019 г.), г. Дивноморское, 2019;

- XXI Международный конгресс «Информационные технологии в медицине» #ИТМ2020 (15-16 октября 2020 г.), конгресс-центр гостиницы «Космос», г. Москва, 2020.

Внедрение. Результаты диссертационного исследования использованы при выполнении следующих научно-исследовательских работ:

- Проект РФФИ № 16-29-07116-офи_м «Информационно-аналитические модели и методы когнитивной визуализации процессов миграции и хоуминга трансплантированных мезенхимальных стволовых клеток для поддержки проведения научных исследований и разработки подходов к лечению заболеваний методами клеточной терапии»;

- Проект РФФИ № 17-37-50001-мол_нр «Разработка и исследование методов обработки биомедицинских данных МРТ для когнитивной визуализации, интеллектуального анализа и расчета информативных параметров зон интереса врача-исследователя»;

- Проект РФФИ № 17-29-07002-офи_м «Разработка методов, моделей и технологии интеллектуального анализа данных МРТ для обнаружения, мониторинга динамических характеристик и когнитивной 2D- и 3D-визуализации областей интереса в реальном времени»;

- НИОКР «Разработка и исследование математических методов и алгоритмов выделения комплекса диагностически значимых показателей острого нарушения мозгового кровообращения по данным рентгеновских и магнитно -резонансных изображений», проводимая в 2020-2022 гг. в ООО «ГАММАМЕД-СОФТ» (получен Акт об использовании (внедрении) результатов диссертационной работы от 15.02.2021 г.).

- Результаты диссертационной работы внедрены в учебный процесс кафедры информационных технологий Российского университета дружбы народов (Акт об использовании (внедрении) результатов диссертационной работы от 29.01.2021 г.).

Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 19 печатных работах, 1Э из которых - в

изданиях из перечня рецензируемых научных журналов ВАК, из них три - в зарубежных изданиях, индексируемых в базе данных Scopus/WoS. Получено 5 Свидетельств о регистрации программ для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав с выводами, заключения, списка литературы и приложения. Материал изложен на 154 страницах, включает 10 таблиц, 81 рисунок. Список литературы содержит 17 страниц и включает 142 наименования.

Содержание работы по главам.

Во введении обоснована актуальность выбранной темы диссертационной работы, охарактеризована степень ее проработанности, определены цели и задачи, осуществлен выбор предмета и объекта исследования.

В первой главе проведено исследование предметной области и дана постановка задач диссертационной работы. Выполнен аналитический обзор существующих методов выявления и анализа областей интереса на медицинских снимках, проведена систематизация и классификация существующих программных средств выделения зон интереса врача-исследователя. В частности, рассмотрены программные комплексы визуализации и обработки томографических данных, методы сегментации МРТ-изображений для выделения зон интереса, методы морфинга и сопоставления множеств точек для решения задачи трекинга скоплений стволовых клеток. Сформулированы требования по созданию программного комплекса врача-исследователя для изучения областей интереса на снимках МРТ, в которые входят зоны ишемического поражения мозга и скопления трансплантированных МСК.

Вторая глава посвящена исследованию и разработке методов обнаружения зон ишемического поражения и поиска стволовых клеток на МРТ-снимках. Для анализа влияния МСК на очаги ишемического инсульта мозга в качестве экспериментальных данных использовались серии снимков головного мозга крыс, пораженных ишемией, полученные сразу после введения стволовых клеток и через 13 дней после введения. Каждая серия содержала 30 срезов головного

мозга, удобных для анализа ишемического поражения (в режиме T2), и 40 срезов - для трекинга МСК (в режиме SWI (Susceptibillity Weighted Imaging)).

В разделе 2.1 разработаны методы предварительной обработки входных данных, которые включают: 1) выравнивание освещенности МРТ-снимков;

2) выделение области мозга крысы, которое необходимо для последующего вычисления информативных параметров и построения ЗЭ-моделей;

3) нормализацию области мозга.

Раздел 2.2 посвящен описанию методов выделения зон ишемического поражения на снимках МРТ, полученных в разных режимах работы томографа (Т2- и ИКД-карты). Особенность разработанных методов - работа с входными данными, имеющими низкое разрешение, что сильно затрудняет дальнейший анализ. Центральную часть метода выделения области ишемии на снимках, полученных в режиме Т2, составляют алгоритмы автоматического извлечения характерных признаков Харалика и классификатор на основе обобщенного расстояния Евклида-Махаланобиса. Для обработки ИКД-карт используется аппарат искусственных нейронных сетей. В качестве классификатора применяется сверточная нейронная сеть (СНС), состоящая из слоев свертки и субдискретизации, которые чередуются между собой и дополнены специализированными слоями. На выходе СНС может иметь один или несколько полносвязных слоев. Последний слой нейронной сети содержит количество нейронов, которое соответствует числу классов в решаемой задаче. В проведенных экспериментах применялась нейронная сеть на базе библиотеки nnForge.

В разделе 2.3 дается описание разработанного метода выделения скоплений МСК на снимках МРТ, полученных в режиме SWI. Метод основан на многоэтапной обработке пар снимков - до введения и после введения МСК. Схема разработанного алгоритма включает следующие этапы: предварительное выделение области мозга; выделение объектов из фона за счет применения волнового алгоритма; фильтрация по яркости и удаление объектов, пересекающихся со схожими объектами на снимке до введения

клеток; фильтрация обнаруженных объектов методом наложения окна специальной формы; обработка с последующим совмещением результатов; когнитивная визуализация выделенных стволовых клеток на исходном изображении.

В третьей главе рассмотрены методы анализа и визуализации зон интереса врача-исследователя по МРТ-данным. Проведено исследование динамики изменения областей интереса с помощью разработанных методов.

В разделе 3.1 описаны разработанные методы совмещенной 2Э- и 3Э-визуализации головного мозга и зон ишемического поражения. Дано описание алгоритма для расчета размеров областей интереса на МРТ-снимках.

Совмещенная визуализация комбинирует результаты обработки снимков, полученных в Т2- и SWI-режимах томографа. Однако 2D-визуализация, несмотря на определенную информативность и выразительность, не дает полной картины о текущем состоянии головного мозга. По этой причине строятся объемные модели зон интереса, где в качестве входных данных используются результаты независимой обработки отдельных МРТ-срезов.

В разделе 3.2 решается задача отслеживания предполагаемого движения скоплений стволовых клеток за счет применения следующих методов: 1) анализа срезов головного мозга в хронологической последовательности; 2) фиксации траекторий движения с помощью кривой Безье; 3) решение транспортной задачи.

Построение карт миграции МСК выполнялось за счет сочетания автоматизированных алгоритмов выделения и визуализации скоплений МСК и решения транспортной задачи.

В разделе 3.3 решены задачи расчета информативных параметров областей интереса и выполнено 3D-моделирование трекинга скоплений МСК с применением транспортного подхода. Результаты моделирования и измерений проанализированы на предмет влияния трансплантированных клеток на очаги ишемического инсульта головного мозга.

В четвертой главе рассмотрена структура разработанного программного комплекса врача-исследователя, в основу которого взяты методы, описанные

ранее в главах 2 и З. Описаны формы графического интерфейса программного комплекса, функциональные возможности, особенности реализации. Проведено сравнение разработанного комплекса с аналогами, которое показало, что разработанные средства автоматического выделения зон интереса по функциональным возможностям не уступают имеющимся за рубежом средствам. Наиболее близкие по возможностям программные решения содержатся в пакетах FMRIB Software Library («FSL»), 3D Slicer и NITRC. Сравнение с ними показало преимущество разработанного комплекса в части возможностей моделирования, анализа и визуализации трекинга стволовых клеток.

В заключении приведены основные результаты, полученные в диссертационной работе.

Глава 1. Исследование предметной области, постановка задач

диссертационной работы

Инсульты занимают одно из первых мест в мире среди причин смерти и первичной инвалидности, причем среди всех видов преобладает ишемический инсульт. Одна из современных концепций его лечения заключается в клеточной терапии, связанной с трансплантацией реципиенту мезенхимальных стволовых клеток. Кроме того, отмечаются положительные сдвиги при применении стволовых клеток в лечении несовершенного остеогенеза [1], хронических заболеваний легких [2], сердечно-сосудистых заболеваний [3,4]. МСК являются эффективными терапевтическими агентами, которые активно применяются при лечении больных с остро выраженной реакцией отторжения трансплантированной ткани [5].

В России современные исследования в области изучения особенностей поражения мозга лабораторных животных (крыс) ведутся в НИИ биомедицинской химии имени В.Н. Ореховича, НПО «Стемма», Московском государственном медико-стоматологическом университете имени А.И. Евдокимова, Научном центре акушерства, гинекологии и перинатологии имени академика В.И. Кулакова и других учреждениях. Проводятся многочисленные клинические исследования по клеточной терапии пост-трансплантационных и других иммунологических проблем с использованием этих клеток. Систематические исследования в области применения МСК при лечении экспериментального ишемического инсульта выполняются, например, в Научно-исследовательском институте физико-химической биологии имени А.Н. Белозерского МГУ [6]. Установлено, что введение МСК после ишемического инсульта снижает объем очага повреждения в мозге и выраженность неврологического дефицита. Стволовая клетка часто рассматривается как потенциальный инструмент для управления пролиферативными процессами в опухолевой ткани [7]. Установлено, что после внутривенного введения интактным животным гемопоэтические

стволовые клетки распределяются в мозге диффузно, а у животных с экспериментальной глиобластомой трансплантированные стволовые клетки мигрируют в опухоль и накапливаются в очагах инвазии и некроза неопластической ткани. После трансплантации в места неврологических заболеваний стволовые клетки оказывают эффект восстановления, но точный механизм остается неисследованным [8]. Существует острая необходимость в разработке новых эффективных и безопасных подходов к лечению больных путем трансплантации МСК и изучению их врачебного влияния [9]. Раскрытие механизмов участия стволовых клеток в процессах обновления и регенерации тканей открывает широкие возможности для создания нового направления в современной терапии и хирургии, которое получило название «регенеративная медицина» [10].

Несмотря на почти полувековую историю исследования предметной области, до настоящего времени остается до конца не изученным точный механизм поведения введенных стволовых клеток и последствий их трансплантации. Существует ряд нерешенных вопросов во многих аспектах клеточной терапии, необходимо проведение дополнительных исследований результатов воздействия стволовых клеток на пораженные области головного мозга. Успешное применение клеточной терапии возможно только после глубокого изучения и понимания биологии, взаимодействия с локальным микроокружением и алгоритма использования МСК (доза, пути и кратность введения, миграция клеток в органы и ткани организма и др.). Кроме того, необходимо изучение таких факторов, как тип клеток, количество трансплантированных клеток, скорость передвижения, оптимальные сроки доставки, маршрут клеток, а также механизм действия. Для решения этих задач требуется наличие соответствующего инструментария. Совмещение современных методов МРТ и методов научной визуализации делает возможным построение карт миграции и распространения МСК после трансплантации [11]. Последнее является крайне важным для понимания механизмов действия МСК при

ишемическом инсульте головного мозга, для подготовки и планирования клинических испытаний.

1.1. Систематизация и классификация инструментальных средств и методов выделения, анализа и визуализации зон интереса на МРТ-снимках

Магнитно-резонансная томография является общепринятым и удобным для перенесения в клиническую практику методом, поставляющим данные в формате ЭГСОМ для последующей обработки и визуализации [11]. Устройство МРТ и принцип работы достаточно подробно описаны в статье [12]. МРТ делает контрастными различные мягкие ткани тела, что особенно полезно при визуализации мозга, мышц, сердца и раковых опухолей. 3D-изображение складывается из 2D-изображений и может проецироваться исследователем на любую плоскость. Современные подходы к визуализации особенно актуальны для головного мозга, имеющего сложную цитоархитектонику.

Рассмотрим существующие инструментальные средства для решения ряда актуальных задач, включая анализ возникновения и развития ишемических повреждений, прижизненную визуализацию и анализ путей миграции МСК после трансплантации реципиенту. К инструментальным средствам предъявляются требования наглядного, полного и точного анализа данных МРТ и гистологических исследований в ходе проведения экспериментов и поддержки принятия решений врачей-исследователей. Предполагается, что полученные знания позволят разработать информационно-аналитические модели, методы, алгоритмы и программное обеспечение для поддержки проведения научных исследований головного мозга при экспериментальном ишемическом инсульте.

1.1.1. Программные средства обработки и визуализации МРТ-данных

За последнее десятилетие в мире разработано большое количество профессиональных систем и различных программных средств обработки и

визуализации данных МРТ. Из существующих визуализаторов данных МРТ отметим следующие:

- «MicroDicom» [13] - бесплатный визуализатор МРТ-данных в формате DICOM с функционалом для первичной обработки данных;

- «ImageJ» [14] - программное обеспечение (ПО) с открытым исходным кодом, поддерживающее большое количество функций обработки и анализа изображений;

- «xjView» [15] - визуализатор, позволяющий просматривать МРТ-изображения в различных режимах («Glass View», «Section View», «3D Render View», «Slice View»);

- «Novo Spark» [16] - мощное приложение для просмотра и качественного анализа многомерных данных;

- «MRIcron» [17] - визуализатор, который содержит в своем составе утилиту dcm2nii.exe, конвертирующую DICOM-файлы в файлы формата «NlfTI» (формат востребован в средствах обработки данных МРТ).

Среди полезных инструментов обработки МРТ-данных можно отметить следующие специализированные программы:

- «BET» (Brain Extraction Tool) [18] осуществляет выделение из снимков формы головы и области мозга, оценку внутренней и внешней поверхности черепа и наружной поверхности волосистой части головы;

- NiftySeg [19] содержит набор алгоритмов для выполнения на их основе сегментации и анализа изображений с помощью различных стратегий, оценки толщины коры мозга;

- Система «3D Slicer» [20], которая отличается широким функционалом и большим количеством модулей, выделяется за счет своей модульной архитектуры и использования кроссплатформенной библиотеки Qt для построения графического интерфейса;

- «MeVisLab» [21] - платформа для обработки изображений и медицинской визуализации, которая может быть использована в клинических условиях для сегментации, регистрации, волюметрии и количественного морфологического и

функционального анализа. К возможностям платформы можно отнести алгоритмы обработки и гибкой визуализации, высокую производительность для больших наборов данных, модульные расширяемые C++-библиотеки обработки изображений, объектно-ориентированный графический интерфейс, поддержку стандарта DICOM, кроссплатформенную поддержку для Windows, Linux и MacOS X;

- «3D-DOCTOR» [22] предназначена для трехмерного моделирования, визуализации BD-объектов в научных целях и в области высокоточных измерений. Программа применяется для обработки изображений и произведения измерений для МРТ, КТ, ультразвуковых, микроскопических и других данных, применяемых в науке. Интерфейс программы ориентирован на визуализацию, сегментирование, анимацию и проведение измерений. Программа в настоящее время используется в ведущих больницах, медицинских учебных заведениях и научных организациях по всему миру;

Список литературы диссертационного исследования кандидат наук Шустова Мария Вениаминовна, 2021 год

Список литературы

1. Сергеев В.С. и др. Клеточная терапия несовершенного остеогенеза // Гены и клетки. 2016. №4. С. 22-33.

2. Jibing Yang, Zhenquan Jia. Cell-based therapy in lung regenerative medicine // Regenerative Medicine Research. 2014. 2:7. URL: https://regenmedres.biomedcentral.com/track/pdf/10.1186/2050-490X-2-7 (дата обращения: 01.06.2021).

3. Гольдштейн Д.В., Фатхудинов Т.Х. Актуальные вопросы клеточной терапии миокарда // Вестник РАМН. 2012. №4. С. 16-24.

4. Тицкая Е.В. и др. Перспективы применения клеточных технологий в реабилитации больных сердечно-сосудистыми заболеваниями // Современные проблемы науки и образования. 2016. №6. URL: http://www. science-education.ru/ru/article/view?id=25741 (дата обращения: 01.06.2021).

5. Лызиков А.Н., Осипов Б.Б., Скуратов А.Г., Призенцов А.А. Стволовые клетки в регенеративной медицине: достижения и перспективы // Проблемы здоровья и экологии. 2015. №3. С.4-8.

6. Бабенко В.А. Роль межклеточной передачи митохондрий в реализации: дисс. канд. биолог. наук. МГУ, Москва, 2018. 185 С.

7. Брюховецкий И.С. Взаимодействие стволовых и опухолевых клеток на модели глиобластомы: автореф. дисс. д-ра медиц. наук, Владивосток, 2017. 41 С. URL: http://iemspb.ru/wp-content/uploads/2016/11/briukhovetckiy avtoref2.pdf (дата обращения: 01.06.2021).

8. Hiroki Uchida, Kuniyasu Niizuma, Yoshihiro Kushida, Shohei Wakao, Teiji Tominaga, Cesario V. Borlongan, Mari Dezawa. Human Muse Cells Reconstruct Neuronal Circuitry in Subacute Lacunar Stroke Model // Stroke. 2017. Vol. 48(2). P. 18.

9. Зафранская М.М., Нижегородова Д.Б. Мезенхимальные стволовые клетки как стратегия лечения рассеянного склероза: актуальные проблемы и перспективы // Медицинская иммунология. 2017. №6. С. 683-704.

10. Ткачук В.А. Физиологические механизмы регуляции регенеративных процессов // Гены & клетки. 2017. № 3. С. 245-246.

11. Nejadnik H., Castillo R., Daldrup-Link H.E. Magnetic Resonance Imaging and Tracking of Stem Cells // Methods in Molecular Biology. 2013. Vol. 1052. P. 167176.

12. Многоядерная визуализация [Электронный ресурс] // На здоровье!: [сайт]. URL:

http://www.nazdor.ru/topics/improvement/devices/current/463100/#Многоядерная%20 визуализация (дата обращения: 01.06.2021).

13. MicroDicom [Электронный ресурс] // MicroDicom - Free DICOM viewer and software: [сайт]. URL: http: //www. microdicom.com/ (дата обращения: 01.06.2021).

14. ImageJ [Электронный ресурс] // ImageJ: [сайт]. URL: http://imagej.net/ (дата обращения: 01.06.2021).

15. xjView [Электронный ресурс] // xjView | A viewing program for SPM: [сайт]. URL: http://www.alivelearn.net/xjview (дата обращения: 01.06.2021).

16. NovoSpark Visualizer [Электронный ресурс] // ProgramURL: [сайт]. URL: http://www.programurl.com/novospark-visualizer.html (дата обращения: 01.06.2021).

17. Mricron - magnetic resonance image conversion, viewing and analysis [Электронный ресурс] // The Ultimate Neuroscience Software Platform: [сайт]. URL: http://neuro.debian.net/pkgs/mricron.html (дата обращения: 01.06.2021).

18. BET - FslWiki [Электронный ресурс] // FSL - FslWiki: [сайт]. URL: http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET (дата обращения: 01.06.2021).

19. Nifty Seg [Электронный ресурс] // SourceForge - Download, Develop and Publish Free Open Source Software: [сайт]. URL: https://sourceforge.net/projects/niftyseg/ (дата обращения: 01.06.2021).

20. 3D Slicer [Электронный ресурс] // 3D Slicer: [сайт]. URL: https: //www. slicer. org/ (дата обращения: 01.06.2021).

21. MeVisLab [Электронный ресурс] // MeVisLab: [сайт]. URL: http://www.mevislab.de/download (дата обращения: 01.06.2021).

22. 3D-DOCTOR [Электронный ресурс] // 3D-DOCTOR, medical modeling, 3D medical imaging: [сайт]. URL: https://www.3d-doctor.com/ (дата обращения: 01.06.2021).

23. Visualization Toolkit [Электронный ресурс] // Visualization Toolkit -Freecode: [сайт]. URL: http: //freecode.com/projects/vtk (дата обращения: 01.06.2021).

24. GitHub - nci/drishti: Drishti [Электронный ресурс] // GitHub: Where the world builds software ■ GitHub: [сайт]. URL: https://github.com/nci/drishti (дата обращения: 01.06.2021).

25. Tang Y. et al.MRI/SPECT/Fluorescent Tri-Modal Probe for Evaluating the Homing and Therapeutic Efficacy of Transplanted Mesenchymal Stem Cells in a Rat Ischemic Stroke Model // HHS Public Access. 2015. 23 P.

26. Анохина О.А., Шустова М.В. Методы нейросетевой обработки биомедицинских данных МРТ // Сборник научных трудов по итогам V Международной научно-практической конференции «Актуальные проблемы медицины в России и за рубежом» (г. Новосибирск, 11 февраля 2018 г.). 2018. С. 37-46.

27. Alexandre de Brebisson, Giovanni Montana. Deep Neural Networks for Anatomical Brain Segmentation // IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2015. P. 20-28. URL: http://openaccess.thecvf.com/content cvpr workshops 2015/W01/papers/Brebisson D eep Neural Networks 2015 CVPR paper.pdf (дата обращения: 01.06.2021).

28. Moeskops P. et al. Automatic segmentation of MR brain images with a convolutional neural network // IEEE transactions on medical imaging. 2016. Vol. 35. №5. P. 1252-1261. URL: https://arxiv.org/pdf/1704.03295.pdf (дата обращения: 01.06.2021).

29. Syvokon A., Skobtsov Y. Texture Analysis in 3D for Issue Characterization [Электронный ресурс] // Портал магистров Донецкого национального технического университета ДонНТУ Донецк: [сайт]. [2014]. URL: http: //masters. donntu. org/2014/fknt/syvokon/library/article 1. htm (дата обращения: 01.06.2021).

30. Вахрамеева О.А., Фокин В.А., Лебедев А.В., Хараузов А.К., Соколов А.В., Шелепин Ю.Е. Статистический параметрический анализ активности мозга человека при пассивном наблюдении стимула и в задаче активного выбора [Электронный ресурс] // Портал магистров Донецкого национального технического университета ДонНТУ Донецк: [сайт]. [2014]. URL: http://masters.donntu.org/2014/fknt/syvokon/library/article2.pdf (дата обращения: 01.06.2021).

31. Amunts K. et al. BigBrain: an ultrahigh-resolution 3D human brain model // Science. 2013. Vol. 340. № 6139. P. 1472-1475.

32. Магонов Е.П. Комплексная магнитно-резонансная морфометрия очаговых и атрофических изменений головного мозга (на примере рассеянного склероза и ранних стадий ВИЧ-инфекции): дисс. канд. мед. наук. Санкт-Петербург, 2015. 167 с.

33. Магонов Е.П., Катаева Г.В., Трофимова Т.Н. Современные методы автоматического вычисления объема внутричерепного пространства при МРТ-морфометрии головного мозга // Вестник новгородского государственного университета. 2015. №2. С. 98-104.

34. Анисимов Н.В., Батова С.С., Пирогов Ю.А. Магнитно-резонансная томография: управление контрастом и междисциплинарные приложения / Под ред. Ю.А. Пирогова. М.: МАКС Пресс Москва, 2013. 244 с.

35. Гуляев М.В. Управление контрастом в магнитно-резонансной томографии в полях 0,5 и 7 тесла: дисс. канд. физ.-мат. наук. М., 2013. 114 с.

36. Гайдель А.В., Первушкин С.С. Исследование текстурных признаков для диагностики заболеваний костной ткани по рентгеновским изображениям // Компьютерная оптика. 2013. №1. С. 113-119.

37. Erta§ G., Gul?ur H.O., Osman O., U?an O.N., Tunaci M., Dursun M. Breast MR segmentation and lesion detection with cellular neural networks and 3D template matching // Computers in Biology and Medicine. 2008. Vol. 38. Issue 1. P. 116-126.

38. Sergio Pereira, Adriano Pinto, Victor Alves, and Carlos A. Silva. Brain Tumor Segmentation Using Convolutional Neural Networks in MRI Images // IEEE Transactions on Medical Imaging. 2016. Vol. 35. Issue 5. P. 1240-1251.

39. Nicholas J. Tustison, Brian B. Avants, Philip A. Cook N4ITK: Improved N3 Bias Correction // IEEE Transactions on Medical Imaging. 2010. Vol. 29. Issue 6. P. 1310-1320.

40. Fausto Milletari, Nassir Navab, Seyed-Ahmad Ahmadi. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation // Fourth International Conference on 3D Vision (3DV). 2016. URL: https: //arxiv. org/pdf/1606.04797.pdf (дата обращения: 01.06.2021).

41. Rabbani H., Javanmard S. H. Image analysis in In Vivo Stem Cell Tracking // Annual Review & Research in Biology. 2011. 1(4). P. 123-142.

42. Masullo L., Tripodi M. Crawling towards a map of the brain // eLife. 2016. Vol. 5 e15438. URL: https: //elifesciences. org/content/5/e 15438v1 (дата обращения: 01.06.2021).

43. Brain map [Электронный ресурс] // Brain Map - brain-map.org: [сайт]. URL: http: //www.brain-map.org/ (дата обращения: 01.06.2021).

44. Kachouie N.N., Fieguth P., Ramunas J., Jervis E. Probabilistic model-based cell tracking // International Journal of Biomedical Imaging. 2006. P.1-10.

45. Wahlby C., Sintorn I.M., Erlandsson F., Borgefors G., Bengtsson E. Combining intensity, edge and shape information for 2D and 3D segmentation of cell nuclei in tissue sections // Journal of Microscopy. 2004. Vol. 215. P.67-76.

46. Дегтярева А.А. Деформируемые модели в задаче локализации объекта на изображении // Материалы X Научно-практического семинара «Новые информационные технологии в автоматизированных системах». 2007. URL: http://graphicon.ru/oldgr/ru/publications/text/nit2007 deg.pdf (дата обращения: 01.06.2021).

47. Zimmer C., Labruyere E., Meas-Yedid V., Guillen N., Olivo-Marin J.C. Segmentation and tracking of migrating cells in videomicroscopy with parametric active contours, a tool for cell-based drug testing // IEEE Transactions on Medical Imaging. 2002. 21(10). P. 1212-1221.

48. Padfield D., Rittscher J., Thomas N., Roysam B. Spatio-temporal cell cycle phase analysis using level sets and fast marching methods // Medical Image Analysis. 2009. 13(1). P. 143-155.

49. Amr Ellabban. Computer Vision for the Analysis of Cellular Activity [PhD thesis] // Oxford University, UK. 2014. URL: https://www.robots.ox.ac.uk/~vgg/publications/2013/El-Labban13a/el-labban13a.pdf (дата обращения: 01.06.2021).

50. Computational Analysis: A Bridge to Translational Stroke Treatment // Translational Stroke Research. 2012. P. 881-909. URL: https://www.researchgate.net/publication/289516811 Computational Analysis A Brid ge to Translational Stroke Treatment (дата обращения: 01.06.2021).

51. Повещенко А.Ф., Повещенко О.В., Коненков В.И. Современные достижения в создании методов изучения миграции стволовых клеток // Научные сообщения. Вестник РАМН. 2013. №9. С. 46-51. URL: http://vestnikramn.spr-journal.ru/jour/article/viewFile/149/88 (дата обращения: 01.06.2021).

52. Скуратов А.Г., Лызиков А.Н., Петренев Д.Р. Методики трекинга трансплантированных мезенхимальных стволовых клеток в организме реципиента // Проблемы здоровья и экологии. 2014. №4. С. 84-89.

53. Мелешина А.В., Черкасова Е.И., Ширманова М.В. и др. Современные методы визуализации стволовых клеток in vivo (обзор) // Современные технологии в медицине. 2015. №4. С. 174-188. URL: http://www.stm-j ournal .ru/ru/numbers/2015/4/1211 (дата обращения: 01.06.2021).

54. Hu S.L., Lu P.G., Zhang L.J., et al. In vivo magnetic resonance imaging tracking of SPIO-labeled human umbilical cord mesenchymal stem cells // J Cell Biochem. 2012. 113(3). P. 1005-1012. URL: https://pubmed.ncbi.nlm.nih. gov/22065605/ (дата обращения: 01.06.2021).

55. Yingli Fu, Nicole Azene, Yi Xu, Dara L. Kraitchman. Tracking stem cells for cardiovascular applications in vivo: focus on imaging techniques // Imaging Med. 2011. 3(4). P. 473-486. URL: http://www.openaccessjournals.com/articles/tracking-stem-cells-for-cardiovascular-applications-in-vivo-focus-on-imaging-techniques.pdf (дата обращения: 01.06.2021).

56. Ebert S.N., Taylor D.G., Nguyen H.L., et al. Noninvasive tracking of cardiac embryonic stem cells in vivo using magnetic resonance imaging techniques // Stem Cells. 2007. 25(11). P. 2936-2944.

57. Zhu J., Zhou L., XingWu F. Tracking neural stem cells in patients with brain trauma // N Engl J Med. 2006. 355(22). P. 2376-2378.

58. Nighoghossian N., Wiart M., Cakmak S., et al. Inflammatory response after ischemic stroke: a USPIO-enhanced MRI study in patients // Stroke. 2007. 38(2). P. 303-307.

59. Кутергин А.О. Алгоритм решения задачи распознавания действий объекта на видеопотоке // Вестник кибернетики. 2013. №12. С. 111-117.

60. Стандартный кросскорреляционный алгоритм [Электронный ресурс] // Лазерный портал Laser-Potal.Ru - Оптика, Спектроскопия, Лазеры, Лазерные системы: [сайт]. URL: http://www.laser-portal.ru/content 186 (дата обращения: 01.06.2021).

61. Как работает инструмент «Пробег частицы» [Электронный ресурс] // ArcMap | Documentation: [сайт]. URL: http://desktop.arcgis.com/ru/arcmap/10.3/tools/spatial-analyst-toolbox/how-particle-track-works.htm (дата обращения: 01.06.2021).

62. Шустова М.В., Фраленко В.П. Методы визуализации, сопоставления и морфинга для решения задач трекинга и когнитивной визуализации имплантированных стволовых клеток (обзор литературы) // Вестник новых медицинских технологий. 2019. №2. С. 123-129. DOI: 10.24411/1609-2163-201916381

63. Лачинов Д.А., Белокаменская А.А., Турлапов В.Е. Точный автоматический алгоритм детектирования цефалометрических точек на КТ

изображениях // Труды 27-ой Международной конференция по компьютерной графике и машинному зрению, GraphiCon'2017. 2017. С. 275-278.

64. Lindeberg T. Scale selection properties of generalized scale-space interest point detectors // Journal of Mathematical Imaging and Vision. 2013. Vol.46. №2. P. 177-210.

65. Myronenko A., Song X. Point set registration: coherent point drift // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2010. Vol.32. №12. P. 2262-2275.

66. Андреев Д.Ю., Захаров О.С., Куликов С.В. Построение трехмерной модели лица человека путем совмещения множеств трехмерных точек // Молодой ученый. 2015. №11. С. 167-172.

67. Golyanik V., Ali S.A., Stricker D. Gravitational approach for point set registration // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV. 2016. P. 5802-5810.

68. Jiaolong Yang, Hongdong Li, Yunde Jia. Go-ICP: solving 3D registration efficiently and globally optimally // 2013 IEEE International Conference on Computer Vision, Sydney, NSW. 2013. P. 1457-1464.

69. Bing Jian, Baba C. Vemuri. A robust algorithm for point set registration using mixture of gaussians // Proceedings of IEEE International Conference on Computer Vision. 2005. Vol. 2. P. 1246-1251.

70. Zhiyong Zhou et al. Accurate and robust non-rigid point set registration using student's-t mixture model with prior probability modeling // Scientific Reports. 2018. №8. URL: https://www.nature.com/articles/s41598-018-26288-6 (дата обращения: 01.06.2021).

71. Cmolik L., Uller M. Point cloud morphing // Proceedings of the 7th Central Euro Seminar on Computer Graphics. 2003. P. 97-105.

72. Chung-Min Yu, Chung-Ming Wang. An effective framework for cloud modeling, rendering, and morphing // Journal of Information Science and Engineering. 2011. №27. P. 891-913.

73. Samir C. et al. Elastic morphing of 2D and 3D objects on a shape manifold // Image Analysis and Recognition. ICIAR 2009. Lecture Notes in Computer Science. 2009. Vol. 5627. P. 563-572. URL: https://pdfs.semanticscholar.org/2383/543d4712a08c686282849f461355ca405853.pdf (дата обращения: 01.06.2021).

74. Ludwig M., Berrier S., Tetzlaff M., Meyer G. 3D shape and texture morphing using 2D projection and reconstruction // Computers & Graphics. 2015. Vol.51. P. 146156.

75. Hadar Averbuch-Elor, Daniel Cohen-Or, Johannes Kopf. Smooth image sequences for data-driven morphing // Proceedings of Eurographics 2016. 2016. Vol. 35. №2. URL: http://www.cs.tau.ac.il/~averbuch 1/morphing/elor2016 morphing.pdf (дата обращения: 01.06.2021).

76. Jing Liao et al. Semi-automated video morphing // Proceedings of Eurographics 2014. 2014. Vol. 33. №4. URL: http://hhoppe.com/videomorph.pdf (дата обращения: 01.06.2021).

77. Шустова М.В., Фраленко В.П., Хачумов М.В. Анализ инструментальных средств обработки и визуализации биомедицинских данных магнитно -резонансной томографии (обзор литературы) // Вестник новых медицинских технологий. 2016. Т.23, №4. С. 307-315. DOI: 10.12737/23880

78. Гайдель А.В., Зельтер С.С., Капишников А.В., Храмов А.Г. Возможности текстурного анализа компьютерных томограмм в диагностике хронической обструктивной болезни // Компьютерная оптика. 2014. №4. C. 843850.

79. Кутикова В.В., Гайдель А.В. Отбор информативных признаков на основе масок Лоза для распознавания диагностических текстурных изображений // Материалы Всероссийской школы-семинара «Методы компьютерной диагностики в биологии и медицине - 2015». 2015. С. 158-161.

80. Shustova M.V., Fralenko V.P., Khachumov M.V. Tools for Automatically Finding and Visualizing Interest Areas in MRI Data to Support Decision Making by

Medical Researchers // Scientific and Technical Information Processing. 2017. Vol. 44. № 6. P. 397-405. DOI: 10.3103/S0147688217060053

81. Шустова М.В., Фраленко В.П. Программный комплекс для автоматического выделения, визуализации и расчета информативных характеристик областей интереса в биомедицинских данных МРТ // Вестник новых медицинских технологий. Электронное издание. 2017. №4. URL: http://www.medtsu.tula.ru/VNMT/Bulletin/E2017-4/6-3.pdf

82. Cabezas M., Oliver A., Llado X., Freixenet J., Cuadra M.B. A Review of Atlas-based Segmentation for Magnetic Resonance Brain Images // Computer Methods and Programs in Biomedicine. 2011. P. 314-355.

83. Wei Huang. Automatic Affine and Elastic Registration Strategies for MultiDimensional Medical Images // Worcester Polytechnic Institute. 2007. 140 p.

84. Хачумов М.В. Алгоритмы целочисленной арифметики в задачах расчета траекторного движения // Сборник научных трудов II Всероссийского научно-практического семинара «Беспилотные транспортные средства элементами искусственного интеллекта» (БТС-ИИ-2015) 2015. С. 130-135.

85. Braccini C., Cocurullo F., Lavagetto F. A Fast Algorithm for High Quality Vector Quantization Codebook Design // Proceeding ICIAP '95 Proceedings of the 8th International Conference on Image Analysis and Processing. 1995. P. 643-648.

86. Шустова М.В., Фраленко В.П., Хачумов М.В. Выделение и когнитивная визуализация трансплантированных мезенхимальных стволовых клеток на снимках магнитно-резонансной томографии // Искусственный интеллект и принятие решений. 2017. №3. С. 10-20.

87. Амелькин С.А., Захаров А.В., Хачумов В.М. Обобщенное расстояние Евклида-Махаланобиса и его свойства // Информационные технологии и вычислительные системы. 2006. №4. С. 40-44.

88. Фраленко В.П. Методы и алгоритмы обработки потоков данных в многопроцессорных вычислительных комплексах командно-измерительных систем на основе моделей нейронных сетей: дисс. ... канд. техн. наук. Переславль-Залесский. 2011. 120 с.

89. Abbadi N.K., Dahir N.S., Alkareem Z.A. Skin texture recognition using neural networks // Proc. Int'l Arab Conf. on Information Technology. 2008. P. 1-4.

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

91. Шустова М.В. Анализ вычислительной сложности алгоритмов выделения областей интереса по данным МРТ // Современные наукоемкие технологии. 2020. №8. С. 90-96.

92. Derek K. Jones. Diffusion MRI: Theory, Methods, and Applications // New York: Oxford University Press. 2011. 767 p.

93. Талалаев А.А., Тищенко И.П., Фраленко В.П., Хачумов В.М. Анализ эффективности применения искусственных нейронных сетей для решения задач распознавания, сжатия и прогнозирования // Искусственный интеллект и принятие решений. 2008. №2. С. 24-33.

94. Хачумов М.В. Применение искусственных нейронных сетей для автоматической классификации степени заболевания // Сборник научных трудов по материалам III Международной научно-практической конференции «Теоретические и прикладные аспекты современной науки» 2014. Ч. 1. С. 203208.

95. Молодченков А.И., Фраленко В.П., Хачумов В.М. Классификация степени тяжести заболевания на основе искусственных нейронных сетей // Вестник РУДН. Серия Математика. Информатика. Физика. 2014. №2. С. 150-156.

96. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. 521 (7553). P. 436-444.

97. Maxout Networks [Электронный ресурс] // Home [http://colinraffel.com/wiki/]: [сайт]. URL: http://colinraffel.com/wiki/maxout_networks (дата обращения: 01.06.2021).

98. Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting // Journal of Machine Learning Research. 2014. Vol. 15. P. 1929-1958. URL:

https: //www.cs. toronto. edu/~hinton/absps/JMLRdropout.pdf (дата обращения: 01.06.2021).

99. GitHub - milakov/nnForge: Convolutional neural networks C++ framework with CPU and GPU (CUDA) backends [Электронный ресурс] // GitHub: Where the world builds software ■ GitHub: [сайт]. URL: https://github.com/milakov/nnForge (дата обращения: 01.06.2021).

100. Лебедев А.С., Фраленко В.П., Чэн Г.С., Чжан Г.Л. Экспериментальное исследование задачи поиска сложных ригидных объектов в системе обработки космических снимков «ПС НСКиД» // Современные проблемы науки и образования. 2015. №1. URL: http: //www. science-education. ru/pdf/2015/1/1194. pdf (дата обращения: 01.06.2021).

101. Фраленко В.П., Суворов Р.Е., Овчаренко Р.И., Тихомиров И.А. Автоматическая классификация изображений в задачах фильтрации контента // Информационные технологии и вычислительные системы. 2015. №3. С. 3-11.

102. Агроник А.Ю., Фраленко В.П. Библиотека алгоритмов высокопроизводительной обработки данных от системы технического зрения беспилотного летательного аппарата // Программные системы: теория и приложения. 2016. №2. С. 61-71.

103. Фраленко В.П., Хачумов М.В., Шустова М.В. Обнаружение и распознавание стволовых клеток по данным магнитно-резонансной томографии // Труды IV-ой Международной летней школы-семинара по искусственному интеллекту для студентов, аспирантов, молодых ученых и специалистов «Интеллектуальные системы и технологии: современное состояние и перспективы» (ISYT-2017) (Санкт-Петербург, 30 июня - 3 июля 2017 г.). 2017. С. 189-198.

104. Ciresan D.C., Meier U., Masci J., Gambardella L.M., Schmidhuber J. Flexible, High Performance Convolutional Neural Networks for Image Classification // International Joint Conference on Artificial Intelligence. 2011. P. 1237-1242.

105. Талалаев А.А., Тищенко И.П., Хачумов М.В. Выделение и кластеризация текстовых и графических элементов на полутоновых снимках // Искусственный интеллект и принятие решений. 2008. №3. C. 72-84.

106. Lafferty, J., McCallum, A., Pereira, F. Conditional random fields: Probabilistic models for segmenting and labeling sequence data // Proc. 18th International Conf. on Machine Learning. 2001. P.282-289. URL: http://repository.upenn.edu/cgi/viewcontent.cgi?article=1162&context=cis papers (дата обращения: 01.06.2021).

107. DGM: Conditional Random Fields - Project X Research [Электронный ресурс] // Home - Project X Research: [сайт]. URL: http://research.project- 10.de/dgm/ (дата обращения: 01.06.2021).

108. Zivkovic Z. Improved Adaptive Gaussian Mixture Model for Background Subtraction // Pattern Recognition, ICPR. 2004. Vol. 2. P. 28-31.

109. CSIFT Class Reference [Электронный ресурс] // Direct Graphical Models: Introduction: [сайт]. URL: https: //research.proj ect-10. de/dgmdoc/a01614. html (дата обращения: 01.06.2021).

110. Yedidia, J.S., Freeman, W.T., Weiss Y. Understanding Belief Propagation and Its Generalizations // Exploring Artificial Intelligence in the New Millennium. 2003. P. 239-236.

111. Шустова М.В., Фраленко В.П. Экспериментальные исследования по выделению и визуализации стволовых клеток на снимках МРТ // Сборник научных трудов по итогам III Международной научно-практической конференции «Проблемы современной медицины: актуальные вопросы» (г. Красноярск, 11 ноября 2016 г.). 2016. С. 131-134.

112. Коэффициент корреляции Пирсона [Электронный ресурс] // Заглавная страница: [сайт]. URL: http://www.machinelearning.ru/wiki/index.php?title=Коэффициент_корреляции_Пир сона (дата обращения: 01.06.2021).

113. Шустова М.В., Фраленко В.П., Хачумов М.В. Универсальный интерфейс врача-исследователя для когнитивной визуализации и

интеллектуального анализа томографических данных в совмещенных режимах // Вестник новых медицинских технологий. 2018. №4. С. 242-250. DOI: 10.24411/1609-2163-2018-16107

114. Shustova M., Anokhina O., Fralenko V., Khachumov M., Khachumov V. Singling out ischemic lesion zones and transplanted mesenchymal stem cells in the rat brain MRI // 2018 International Workshop on Biomedicaland Health Informatics in conjunction with BIBM. 2018. P. 1445-1451. D0I:10.1109/BIBM.2018.8621303

115. Canny J. A computational approach to edge detection // Pattern Analysis and Machine Intelligence, IEEE Transactions on. 1986. Vol. PAMI-8. №. 6. P. 679-698.

116. OpenCV library [Электронный ресурс] // Home - OpenCV: [сайт]. URL: https://opencv.org/ (дата обращения: 01.06.2021).

117. The Concave Hull of a Set of Points [Электронный ресурс] // CodeProject - For those who code: [сайт]. [2017]. URL: https://www.codeproiect.com/Articles/1201438/The-Concave-Hull-of-a-Set-of-Points (дата обращения: 01.06.2021).

118. Cormen T.H., Leiserson C.E., Rivest R.L., Stein C. Introduction to algorithms (3rd ed.) // Massachusetts Institute of Technology: MIT Press. 2009. 1313 p.

119. Moreira A., Yasmina M.S. Concave hull: A k-nearest neighbours approach for the computation of the region occupied by a set of points // Proceedings of 2nd International Conference on Computer Graphics Theory and Applications (GRAPP). 2007. P. 61-68.

120. Скворцов А.В. Триангуляция Делоне и ее применение // Томск: Изд-во Томского университета. 2002. 128 с.

121. Liang W. Poly2Tri: Fast and Robust Simple Polygon Triangulation With/Without Holes by Sweep Line Algorithm [Электронный ресурс] // GitHub: Where the world builds software ■ GitHub: [сайт]. [2005]. URL: https://github.com/ttimpe/poly2tri (дата обращения: 01.06.2021).

122. Narkhede A., Manocha D. Fast Polygon Triangulation Based on Seidel's Algorithm [Электронный ресурс] // GAMMA: [сайт]. URL: http://gamma.cs.unc.edu/SEIDEL/ (дата обращения: 01.06.2021).

123. Fournier A., Montuno D.Y. Triangulating simple polygons and equivalent problems // ACM Trans. on Graphics. 1984. №. 3. P. 153-174.

124. Шустова М.В., Фраленко В.П., Хачумов М.В. Методы интеллектуальной поддержки работы врача-исследователя при изучении зон ишемического поражения головного мозга и движения мезенхимальных стволовых клеток // Врач и информационные технологии. 2018. №1. С. 68-75.

125. Shustova M.V., Fralenko V.P., Khachumov M.V., Khachumov V.M. Isolation and Tracking of Transplanted Mesenchymal Stem Cells on MRI Images // Proceedings of 3rd Russian-Pacific Conference on Computer Technology and Applications (RPC). 2018. DOI: 10.1109/RPC.2018.8482208

126. Шустова М.В. Программные средства интеллектуальной поддержки работы врача-исследователя при анализе данных МРТ // Сборник научных трудов по итогам V Международной научно-практической конференции «Актуальные вопросы медицины в современных условиях» (г. Санкт-Петербург, 11 января 2018 г.). 2018. С. 26-31.

127. Построение выпуклой оболочки конечного множества точек [Электронный ресурс] // AlgoList - алгоритмы, методы, исходники: [сайт]. URL: http: //al golist .manual. ru/maths/geom/convhull/ (дата обращения: 01.06.2021).

128. Хачумов В.М. Компьютерная графика в учебном процессе Университета г. Переславля // Труды 14-ой Международной конференции GraphiCon'2004. М.: МГУ. 2004. С. 311-315.

129. Завьялов Ю.С., Квасов Б.И., Мирошниченко В.Л. Методы сплайн-функций // М.: Наука. 1980. 352 c.

130. Шустова М.В., Фраленко В.П., Хачумов М.В. Методы обработки данных МРТ для когнитивной визуализации и трекинга областей интереса // Программные продукты и системы. 2019. №3. С. 518-524. DOI: 10.15827/0236-235X.127.518-524

131. Шустова М.В., Фраленко В.П., Хачумов М.В. Интеллектуальный анализ данных МРТ для трекинга и когнитивной визуализации движения скоплений стволовых клеток // Цифровое Здравоохранение. Труды XIX

Международного конгресса «Информационные технологии в медицине» (11 12 октября 2018 г., Москва). М.: Консэф. 2018. С. 34-36.

132. Акулич И.Л. Математическое программирование в примерах и задачах // М.: Высшая школа, 1986. 319 с.

133. Шустова М.В. Метод автоматического трекинга стволовых клеток по данным магнитно-резонансной томографии // Программные продукты и системы. 2020. №4. С. 706-713. DOI: 10.15827/0236-235X.132.706-713

134. Шустова М.В., Фраленко В.П., Хачумов М.В. Выделение и анализ областей интереса врача-исследователя по данным МРТ головного мозга лабораторных животных // Врач и информационные технологии. 2020. №S1. С. 70-76. DOI: 10.37690/1811-0193-2020- S1 -70-76

135. Фраленко В.П., Хачумов М.В., Шустова М.В. Разработка методов интеллектуального анализа данных МРТ для мониторинга динамических характеристик и когнитивной 2D- и 3D-визуализации областей интереса // Труды 12-ой Мультиконференции по проблемам управления (МКПУ-2019) (23-28 сентября 2019 г., Дивноморское). 2019. С. 84-88.

136. Кониева А.А. Влияние экзогенных мезенхимальных стволовых клеток плаценты человека на динамику некоторых патологических процессов ЦНС в эксперименте: дисс. ... канд. медиц. наук. Москва. 2010. 117 с.

137. MRIConvert files - LCNI [Электронный ресурс] // Welcome to LCNI — LCNI: [сайт]. URL: https://lcni.uoregon.edu/downloads/mriconvert (дата обращения: 01.06.2021).

138. (X)MedCon [Электронный ресурс] // (X)MedCon | Main / HomePage: [сайт]. URL: http://xmedcon.sourceforge.net/ (дата обращения: 01.06.2021).

139. Талалаев А.А., Фраленко В.П., Хачумов М.В. Исследовательский программно-аппаратный комплекс высокопроизводительной обработки и визуализации медицинских данных // Современные наукоемкие технологии. 2016. №7. С. 67-73.

140. GE Healthcare [Электронный ресурс] // GE Healthcare | Home | GE Healthcare: [сайт]. URL: http://www3.gehealthcare.ru/ru-RU (дата обращения: 01.06.2021).

141. Jenkinson M., Beckmann C.F., Behrens T.E., Woolrich M.W., Smith S.M. FSL // NeuroImage. 2012. №62. Р. 782-790.

142. Neuroimaging Tools and Resources Collaboratory [Электронный ресурс] // NITRC: Welcome: [сайт]. URL: https: //www.nitrc.org/ (дата обращения: 01.06.2021).

Акты об использовании (внедрении) результатов диссертационной работы

на тему «Разработка методов и программных средств цифровой обработки изображений для обнаружения, анализа и визуализации областей интереса на примере данных магнитно-резонансной томографии головного мозга».

Комиссия ООО «ГАММАМЕД-СОФТ» в составе председателя комиссии заместителя генерального директора ООО «ГАММАМЕД-СОФТ» по научной работе, к.т.н. А.В.Гаврилова и членов комиссии ведущего научного сотрудника ООО «ГАММАМЕД-СОФТ», к.м.н. Д.Д.Долотовой и ведущего программиста ООО «ГАММАМЕД-СОФТ» И.В.Архипова, рассмотрев материалы диссертационной работы М.В.Шустовой, младшего научного сотрудника Исследовательского центра мультипроцессорных систем Федерального государственного бюджетного учреждения науки Института программных систем им. А.К. Айламазяна Российской академии наук, подтверждает, что результаты работы М.В.Шустовой используются при выполнении НИОКР проводимой в 2020-2022гг. ООО «ГАММАМЕД-СОФТ» НИОКР «Разработка и исследование математических методов и алгоритмов выделения комплекса диагностически значимых показателей острого нарушения мозгового кровообращения по данным рентгеновских и магнитно-резонансных изображений».

В указанной НИОКР используются следующие результаты диссертационной работы М.В.Шустовой:

- методы автоматического обнаружения и анализа областей интереса по данным MPT головного мозга, включая выравнивание освещенности МРТ-снимков, нормализацию области мозга, методы выделения зон ишемического поражения на снимках МРТ, полученных в разных режимах работы томографа;

УТВЕРЖДАЮ

Акт

об использовании (внедрении) результатов диссертационной работы Шустовой Марии Вениаминовны

- алгоритмы автоматического извлечения характерных признаков Харалика и классификация на основе обобщенного расстояния Евклида-Махаланобиса;

- методы обработки и анализа алгоритмов снимков МРТ, полученных в режиме SWI, включая выделение объектов из фона за счет применения волнового алгоритма; фильтрацию по яркости и удаление объектов, пересекающихся со схожими объектами на снимке, фильтрацию обнаруженных объектов методом наложения окна специальной формы.

Методы и алгоритмы, разработанные М.В.Шустовой, позволяют выполнять качественный и количественный анализ потоков данных МРТ в автоматическом режиме.

Председатель комиссии:

Заместитель генерального директора по научной работе, к.т.н. А.В.Гаврилов

Члены комиссии:

Ведущий научный сотрудник ООО «ГАММАМЕД-СОФТ», к.м.н. Д.Д.Долотова, Ведущий программист ООО «ГАММАМЕД-СОФТ» И.В.Архипова

У

УТВЕРЖДАЮ Декан Факультета физико-математических и естественных наук Российского университета дружбы народов

Л.Г. Воскресенский 2021 г.

АКТ

об использовании (внедрении) результатов диссертационной работы Шустовой Марии Вениаминовны на тему «Разработка методов и программных средств цифровой обработки изображений для обнаружения, анализа и визуализации областей интереса на примере данных магнитно-резонансной томографии головного мозга» в учебный процесс Российского университета дружбы народов (РУДН)

Настоящим актом подтверждаем, что в учебный процесс кафедры информационных технологий РУДН внедрены следующие результаты кандидатской диссертации Шустовой М.В.:

1. Методы автоматического обнаружения и анализа областей интереса по данным МРТ головного мозга лабораторных животных;

2. Метод построения графического интерфейса с элементами 2D и 3D когнитивной визуализации.

Перечисленные результаты используются при чтении дисциплин «Математические методы распознавания образов» и «Компьютерная графика», при выполнении научно-исследовательских, курсовых и выпускных квалификационных работ.

Зав. кафедрой информационных технологий, д.ф.-м.н., профессор

Зам зав кафедрой информационных технологий к.ф.-м.н., доцент

Ю.Н.Орлов

\М С]

М.Б.Фомин

Свидетельства о государственной регистрации программ для ЭВМ