close

Вход

Забыли?

вход по аккаунту

?

Система поддержки принятия решения при диагностике патологий околоносовых пазух на основе метода распознавания денситометрических образов

код для вставкиСкачать
Работа выполнена на кафедре «Электрогидроакустической и медицинской техники»
института нанотехнологий, электроники и приборостроения федерального государственного
автономного образовательного учреждения высшего образования «Южный федеральный
университет»
Научный руководитель:
Чернов Николай Николаевич
доктор технических наук, профессор,
ФГАОУ ВО «Южный федеральный университет»,
г. Таганрог
Самойленко Анатолий Петрович
Официальные оппоненты:
Филист Сергей Алексеевич,
доктор технических наук, профессор,
ФГБОУ ВО «Юго-Западный государственный университет»,
г. Курск;
Синютин Сергей Алексеевич,
кандидат технических наук, доцент,
ООО «БИОФИЗСИГНАЛ»,
г. Таганрог.
Ведущая организация:
ФГБОУ
ВО
«Донской
университет» (ДГТУ),
г. Ростов на Дону
государственный
технический
.
Защита диссертации состоится 30.08.2018 в 1600 на заседании диссертационного
совета Д212.208.23 ФГАОУ ВО «Южный федеральный университет» по адресу: Ростовская
область, г. Таганрог, ул. Шевченко, 2, ауд. Е-306.
С диссертацией можно ознакомиться в Зональной библиотеке Южного федерального
университета по адресу 344090 г. Ростов-на-Дону, ул. Зорге 21-ж и на сайте
http:/hub.sfedu.ru/diss.
Отзыв на автореферат в 2-х экз., заверенный и разосланный согласно «Положению о
порядке присуждения ученых степеней» (п.28), с указанием ФИО(полностью) лица,
представившего отзыв, почтовым адресом, наименованием организации, его должности в
этой организации, телефона и адреса электронной почты просим направить в ЮФУ по
адресу: 347922, Россия, г. Таганрог, ул. Шевченко, 2, корпус «Е», лаб. 112, ученому
секретарю совета Д212.208.23 Исаевой А.С.
Автореферат разослан «__» _________ 2018 г.
Ученый секретарь
диссертационного совета Д212.208.23
Исаева А.С.
2
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность работы. Оснащение больниц современным высокоточным оборудованием,
постоянное
удешевление
информационных
систем,
возрастание
количества
физиологических параметров, которые возможно измерить с помощью современной
диагностической аппаратуры обосновывают актуальность внедрения в лечебнопрофилактические учреждения (ЛПУ) медицинских информационных систем (МИС).
Однако успешное внедрение и повышение качества эксплуатирования подобных МИС
невозможно без анализа особенностей информации
специфичной для каждого
подразделения ЛПУ, поэтому становится очевидным появление особых информационных
систем для отдельных подразделений медицинского учреждения, использующих
современные методы компьютерной обработки, передачи, хранения диагностической,
служебной и другой информации и подразумевающих интеграцию в единую МИС. Данные
факторы в совокупности с увеличением в последние годы потока пациентов с
воспалительными заболеваниями околоносных пазух в России и за рубежом отражают
актуальность разработки системы поддержки принятия диагностического решения по
оценке состояния лобных пазух пациента для ЛОР-отделений ЛПУ. Кроме того
существующие информационные компьютерные технологии обработки изображений в
совокупности с методиками диагностирования заболеваний околоносовых пазух позволяют
разработать
экспертную
систему,
которая
станет
основой
организации
телекоммуникационной системы для ЛОР-отделений.
Наличие различных способов в диагностике и подходов к лечению заболеваний
околоносовых пазух свидетельствует об отсутствии эффективных средств выявления
патологий. Основным подходом при постановке диагноза является качественный анализ
результатов медико-биологических исследований, который нередко чреват ошибками в
принятии решений, поскольку связан с психофизиологическим состоянием клиницистаисследователя, особенностями его зрительного анализатора, условиями проведения медикобиологических исследований, качеством источника медико-биологической информации и
т.д.
Существующие на данный момент технические и программные диагностические системы
поддержки принятия решений в медицине в базируются на методах, в результате которых
клиницист-исследователь получает лишь часть необходимой для построения адекватной
модели информации. Главным недостатком диагностики является интуитивно-качественный
анализ медицинских изображений, основанный на профессиональном опыте и
субъективизме при выявлении врачом контуров диагностируемых фрагментов, что снижает
диагностическую ценность получаемой информации и является источником 30% ошибочных
решений.
Решением сложившейся проблемы может стать разработка информационной системы
поддержки принятия решения для получения объективных диагностических оценок,
основным достоинством которой должна стать возможность охарактеризовать сущность и
качество исследуемого патологического процесса количественно, одним числом или
количественными соотношениями, то есть информационной оценкой.
Известен ряд работ, в которых были предприняты попытки адаптации различных
математических теорий для описания процесса диагностирования медико-биологического
объекта (МБО), в частности, распознавание образов патологий околоносовых пазух. Среди
них работы С.Я. Дадашева и В.В. Руанеа, В.В. Котина и Т.А. Ярышкина, Котова Б.Ю.,
Бантыша Б.Б., Токарева В.Н., Адайкина В.И., Еськова В.М. Анализ данных работ показал,
что существует малое число специализаций медицинских систем распознавания,
ориентированных, по большей части, на решение небольшого класса задач. При этом
существует актуальная необходимость в исследовании вопросов связанных с
использованием коллектива методов в задачах распознавания образов патологий
околоносовых пазух, а также вопросов, связанных с практическим применением результатов
распознавания данных медицинской диагностики при формировании последующих решений.
Это приводит к тому, что большинство современных систем распознавания патологий не
3
могут быть адаптированы к решению новых задач и не имеют возможности по применению
различных информационной системы.
Целью диссертационной работы является разработка метода распознавания классов
патологических состояний околоносовых пазух пациентов в носоподбородочной проекции
на основе денситометрических признаков и создание телемедицинской системы
количественной оценки степени протекания патологических процессов, позволяющей
эффективно принимать диагностическое решение.
Достижение поставленной цели предусматривает решение следующих задач
диссертационного исследования:
 разработка информационной модели представления образов околоносовых пазух
пациентов;
 разработка и исследование эталонного метода поддержки принятия
диагностического
решения
позволяющих
количественно
оценивать
патологическое состояние околоносовой пазухи;
 разработка и исследование безэталонных методов на основе сегментирования
информативного контура патологической области;
 разработка структурной схемы и алгоритма работы телемедицинской
информационной системы диагностики патологий околоносовых пазух пациентов
на основе анализа денситометрических признаков рентгенографических,
томографических и диафанографических снимков;
 разработка системного программного обеспечения автоматизированного рабочего
места (АРМ) врача-клинициста для количественного анализа и оценки состояния
околоносовых пазух;
 разработка и исследование структуры базы данных результатов клинической
диагностики.
Объектом исследования являются медицинские диагностические изображения,
полученные в процессе исследования носо-подбородочных проекций области патологий,
методы и средства их обработки, телемедицинская система поддержки принятия решения
врачом-оториноларингологом.
Предметом исследования являются рентгенограмма пациента в носо-подбородочной
проекции как объект передачи, обработки и хранения телекоммуникационной системы ЛОРотделения, математические методы и алгоритмы количественной оценки патологической
области.
Методы исследования. Для достижения поставленных задач применялись методы
теории распознавания образов, теории порядковой логики, теории вероятностей и
математической статистики, теории логического проектирования и системного анализа,
искусственного интеллекта и построения баз данных.
Основные положения, выносимые на защиту:
• Метод количественной оценки денситометрических параметров изображений
(рентгенограмм, томограмм, диафанограмм) патологической области на основе
сходства с эталоном.
• Безэталонные методы диагностики патологий околоносовых пазух на основе
определения корреляционных характеристик и порядково-логических определителей
контуров, позволяющие провести сегментацию изображения, повысив качество
диагностического исследования.
• Способ повышения информативности первичной обработки рентгенограмм,
диафанограмм и томограмм, заключающийся в выделении эталонных фрагментов
изображений путем гиперболического преобразования первичных гистограммных
образов.
• Структурная схема телемедицинских систем на базе лечебно-профилактического
учреждения на основе экспертных систем и мобильных терминалов диагностики
патологий оториноларингологических заболеваний.
4
•
Структура базы данных для экспертной системы контроля и диагностики заболеваний
околоносовых пазух по результатам анализа медицинских изображений
Достоверность и обоснованность диссертационного исследования подтверждена:
клиническими испытаниями разработанных методик на базе Ростовского государственного
медицинского университета (кафедра Болезней уха, горла и носа) и Горбольницы №1 г.
Ростов-на-Дону, а также полученным патентом Российской Федерации на изобретение и
соответствующими актами о внедрении результатов научной работы в образовательную и
лечебную сферы деятельности.
Научная новизна разработки. В диссертационной работе получены следующие
результаты:
1. Метод многоканальной обработки медицинских изображений с целью повышения их
диагностической информативности.
2. Статистическая модель признаков патологий и способ определения допусковых зон
патологических состояний околоносовых пазух пациента.
3. Метод диагностики состояний околоносовой пазухи на основе денситометрических
параметров, полученных в ходе анализа медицинских изображений.
4. Безэталонный метод диагностики в базисе корреляционных характеристик
медицинского изображения.
5. Безэталонный метод на основе сегментирования информативного контура
исследуемой патологической области медицинского изображения
в базисе
порядковой логики.
Практическая ценность работы заключается в разработке:
 алгоритма локализации области патологии на основе известных денситометрических
параметров.
 укрупненного алгоритма функционирования телемедицинской системы для
диагностики состояний околоносовых пазух пациентов.
 экспертной системы, предлагающей инструментарий для автоматизированного
анализа медицинских данных и позволяющей осуществить многокритериальную
классификацию пациентов и их состояний;
 базы данных экспертных решений по принятию диагностического заключения.
Внедрение и использование результатов работы. Полученные в работе результаты
использованы:
 в практическую деятельности МБУЗ «ГБ №1», г. Каменск-Шахтинский, в рамках
решения задачи поддержки принятия решения при оперативной диагностике
околоносовых пазух пациентов ЛОР-отделений;
 в практическую деятельность оториноларингологического отделения №2 для
взрослых МБУЗ «ГБ №1 им. Н.А. Семашко», г. Ростов-на-Дону, в рамках решения
задачи повышения эффективности принятия диагностического решения врачамом
объективной диагностики;
 в практическую деятельность МЦ «Здоровье+», г. Азов, в рамках решения задачи
поддержки принятия решения врачом объективной диагностики патологии
околоносовых пазух.
Апробация работы. Основные результаты работы были представлены на:
 Международной научной конференции Инновационные технологии в управлении,
образовании и промышленности «АСТИНТЕХ-2009» (Астрахань, 2009 г.);
 Всероссийской молодежной научной конференции «Мавлютовские чтения» (Уфа,
2010 г.);
 Всероссийском смотре-конкурсе научно-технического творчества студентов вузов РФ
«Эврика-2009-2011» (Новочеркасск, .2009, 2010, 2011 гг.);
 Всероссийской молодежной выставки-конкурса прикладных исследований,
изобретений и инноваций (Саратов, 2009 г.);
 IX Всероссийской научной конференции «Информационные технологии, системный
анализ» (Таганрог, 2011 г.);
5














Конкурсе НИР аспирантов, магистров, и молодых ученых в области стратегического
партнерства вузов и предприятий радиотехнического комплекса (СПб, 2011 г.);
XXXVIII Международной научной конференции для аспирантов и молодых ученых
«Гагаринские чтения» (Москва 2012, г.);
19-ой Всероссийской научно-технической конференции «Микроэлектроника и
информатика-2012» (Москва 2012, г.);
Региональной
научно-практической конференции «Становление Молодой
инновационной России. Перспективы и пути развития» (Брянск, 2012 г.);
VIII Научной конференции студентов и аспирантов базовых кафедр южного научного
центра РАН (Ростов-на-Дону, 2012 г.);
X Всероссийской научной конференции «Информационные технологии, системный
анализ» (Таганрог, 2012 г.);
Конкурсе молодых ученых им. Академика И.И. Воровича. «Фундаментальные и
прикладные проблемы современной техники» ( Ростов-на-Дону, 2012 г.);
67 Научной конференции молодых ученных РостГМУ (Ростов-н/Дону, 2013г.);
Юбилейном
заседании
Ростовской
секции
российской
ассоциации
оториноларингологов. (Ростов-н/Дону, 2013 г.);
IX Научной конференции студентов и аспирантов базовых кафедр южного научного
центра РАН (Ростов-н/Д, 2013 г.);
Всероссийской научно-технической конференции «Биомедсистемы 2013» (Рязань,
2013 г.);
Международной
научно-практической
конференции
оториноларингологов
«Актуальные вопросы оториноларингологии» (Благовещенск, 2014 г.);
Международной научно-практической конференции «Инновационные технологии в
медицине» (Черкесск, 2014 г.);
Международной конференции молодых ученых стран БРИКС «Сотрудничество стран
БРИКС для устойчивого развития» (Ростов-на-Дону, 2015 г.).
Публикации. По материалам работы опубликовано 34 печатные работы, из них 5 - в
рецензируемых научных журналах из перечня рекомендуемых ВАК для опубликования
основных научных результатов диссертаций.
Получено 2 авторских свидетельства на программный продукт, а также патент РФ на
изобретение.
Структура и объём работы. Диссертационная работа состоит из введения, 5 глав,
заключения, библиографического списка и приложений. Основное содержание изложено на
144 страницах, включая библиографический список из 168 наименований, приложение
изложено на 48 страницах, включает коды программ, реализующих математические модели.
Работа иллюстрирована 6 таблицами, 50 рисунками.
КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы диссертационного исследования, поставлены
цели и задачи работы, представлена их научная новизна и практическая значимость,
сформулированы основные положения, выносимые на защиту.
В первой главе были рассмотрены основные принципы построения медицинских
информационных систем для контроля и диагностики состояний оториноларингологических
заболеваний, предложена двухканальная модель экспресс диагностики патологий
околоносовых пазух на основе данных рентгенографического и диафанографического
методов получения денситометрических параметров (рис.1).
6
Блок ввода
рентгенограммы
Блок работы с рентгенограммами
Блок работы с диафанограммами
Блок вычисления
ОКИП
Блок вычисления
ОКИП
Блок построения
допусковых зон для
каждой из групп
пациентов и
сравнения
рассчитанного
ОКИП с данными
допусковыми
зонами
Блок построения
законов
вероятностей
распределения на
основе статистики и
вычисление
вероятности для
рассчитанного
ОКИП
Блок ввода
диафанограммы
Блок учета
рассчитанных ОКИП
в БД
Блок учета
рассчитанных ОКИП
в БД
БД статистики ОКИП для
рентгенограмм и
диафанограмм
Блок принятия
решения на основе
анализа ОКИП
рентгенограмм
Блок принятия
решения на основе
анализа ОКИП
диафанограмм
Блок
мажоритарного
метода принятия
решения
Блок построения
допусковых зон для
каждой из групп
пациентов и
сравнения
рассчитанного
ОКИП с данными
допусковыми
зонами
Блок построения
законов
вероятностей
распределения на
основе статистики и
вычисление
вероятности для
рассчитанного
ОКИП
Блок вывода
результатов и
промежуточных
расчетов
Рисунок 1. – Структурная схема системы экспресс-диагностики на основе статистических данных.
В результате анализа основных этапов синтеза медицинских систем был разработан
укрупненный алгоритм обработки рентегнографических, томографических или
диафанографических изображений в носо-подбородочной проекции (рис.2).
Рисунок 2.- Блок-схема укрупненного алгоритма обработки медицинских изображений.
Во второй главе были описаны исследования, направленные на улучшение цифрового
отображения медицинского изображения, в данном случае рентгенограммы лобных пазух
пациентов, с целью повышения его информативности.
При проведении исследования влияния пространственных преобразований, было
выявлено, что гиперболическое преобразование позволяет выделить значимые фрагменты
рентгенограммы для врача-диагноста, а именно лобные пазухи пациента. Данное
преобразование может послужить в качестве базы для проведения сегментации изображения,
повысив качество и точность проводимых исследований.
Фильтрация в частотной области по приведенному в главе алгоритму на конкретных
примерах рентгенограмм показывает, что совместное использование фильтрации с
усилением высоких частот и
метода гистограммной эквализации позволяет на
рентгенограмме четко выявить структуры костей и других деталей.
7
А.
Б.
В.
Рисунок 3. - Рентгенограмма пациента с односторонним воспалением лобных пазух: А - исходная
рентгенограмма; Б- рентгенограмма после применения гиперболического преобразования, В- рентгенограмма
после эквализации результата фильтрации с усилением высоких частот.
В третьей главе проведена разработка и исследование эталонного и безэталонных
методов поддержки принятия решений при распознавании патологических состояний
медико-биологических объектов в процессе диагностики и локализации патологий.
В основу разработанного статистического метода диагностики положен гистограммный
метод распознавания образов. Данный метод является наименее ресурсозатратным, что
важно для практического здравоохранения.
Суть метода заключается в том, что на полученном цифровом изображении врачомклиницистом с помощью специализированного программного обеспечения производится
выделение «зон интереса», посредством контуризации исследуемой околоносовой пазухи
(ОНП) и одноименной орбиты. При этом орбита выступает в качестве эталонного образца
для идентификации и оценки степени патологии одноименной пазухи.
Выделенные «зоны интереса» цифрового рентгенографического снимка подвергаются
обработке в виде дискретизации по пространству выделенных контуров и квантованию по
степени интенсивности яркости пикселей по шкале серого цвета и в конечном результате
представляются в виде одноразмерных матриц значений яркости пикселей (1).
,
(1)
где размер матрицы n определяют шагом дискретизации исследуемой области снимка, а
значения элементов матрицы
определяются шагом квантования или выбранным
числом уровней диапазона шкалы серого цвета.
Рисунок 4. - Рентгенограмма пациента с двусторонним фронтитом лобных пазух и матричное представление
правой лобной пазухи пациента с односторонним фронтитом.
На основе полученных данных строятся гистограммы пазухи и одноименной орбиты
распределения денситометрического параметра в зависимости от уровня интенсивности
яркости пикселя по шкале серого цвета (от 0 до 255). При этом гистограммы становятся
наиболее полным статистическим портретом выделенных контуров исследуемой пазухи и
одноименной орбиты и позволяют наглядно представить исследуемые фрагменты, оценить
8
их яркостное вероятностное распределение, сравнить с другими диагностически
информативными областями рентгенограммы, оценить состояние пациента, по виду
гистограммы судить о наличии или отсутствии посторонних включений в области
исследований (при одномодальной гистограмме – гомогенность (однородность), при
многомодальной – гетерогенность (неоднородность) содержимого).
Для классификации содержимого исследуемых «зон интереса» каждую гистограмму
оценивают количественными характеристиками (рис. 5): среднеарифметическими
соответственно пазухи и орбиты: дисперсиями; среднеквадратичными отклонениями. Затем
определяют, коэффициент плотности (Кпл) отношением среднеарифметических значений
исследуемого М[Xп] и эталонного М[Xо] одноименных контуров (2).
Кпл
∑
∑
,
(2)
о
где - размер матрицы,
– значения пикселей матричного представления пазухи,
значения пикселей матричного представления одноименной гомолатеральной орбиты.
Б.
А.
о
-
I
I
I
I
I
I
Рисунок 5. – Построение статистической модели патологической области. А – рентгенограмма, Б диафанограмма.
В работе было исследовано 585 обзорных рентгенограмм околоносовых пазух пациентов с
различными формами гайморита (синусита, фронтита), верифицированными различными
клиническими методами (пункции околоносовых пазух, синусоскопия, операции).
Контрольную группу составили обзорные рентгенограммы околоносовых пазух 180
здоровых добровольцев. Результаты исследований представлены в таблицах 1 и 2.
Таблица 1. Результаты программной обработки рентгенограмм
Содержимое ОНП
Норма (n=180)
Максиллярный
синусит(n=238)
Коэффициент
0.861.14
1.151.60
плотности тканей КПЛ
Таблица 2.Степень однородности содержимого исследуемого контура
Коэффициент вариации
0.080.19
0.20.29
V
Степень
Неоднородно,
малое
Однородно, без каких
неоднородности
число
посторонних
либо включений
содержимого
включений.
Острый
максиллярный
синусит(n=167)
гнойный
1.782.30
0.30.4
Неоднородно,
большое
число
посторонних
включений.
В ходе исследования совместно с группой врачей-экспертов были определены допускные
значения коэффициентов плотности Kпл, так при значении Kпл<1.15 оценивают состояние как
нормальное, при Kпл ≥ 1.15 диагностируют наличие патологии в соответствующей пазухе.
Для количественного анализа пространственного распределения содержимого
патологической пазухи и оценки степени однородности яркости пикселей изображения
9
контура орбиты переделяют коэффициенты вариации (3). При этом решается задача в
классификации полученных групп коэффициентов плотности и коэффициентов вариации.
Vi = [Xi]/М[Xi],
(3)
где [Xi]-среднеквадратичное отклонение, i – пазуха/орбита.
Для разрешения вопроса дифференциальной различимости характера и степени патологий
в предложенном методе производят сегментацию (рис. 6, А) такой пары одноименных
контуров пазухи и орбиты рентгеновского снимка, коэффициент плотности которой
Кпл≥1.15, а коэффициент вариации Vo≥0,2.
xij
1
f1  xij 
x11 ... x1n
f k  xij 
x11 ... x1n
fl  xij 
x11 ... x1n
f m  xij 
x11 ... x1n
... ... ...
Fnr2 [ xmin  ...  xij  xmax ]1
... ... ...

 x  1    xmax  xmin 1


xn1 ... xnn 1
...
xij
k
...
Fnr2 [ xmin  ...  xij  xmax ]k
... ... ...

 x  k    xmax  xmin k


xn1 ... xnn k
...
xij
l
...
Fnr2 [ xmin  ...  xij  xmax ]l
... ... ...

 x  l    xmax  xmin l


xn1 ... xnn l
...
xij
m
сегмент
...


снимок
xn1 ... xnn m
матрица
значений
признака
Fnr2 [ xmin  ...  xij  xmax ]m

 x  m    xmax  xmin m
вариационный ряд
и его размах
А.
Б.
Рисунок 6. А – алгоритм формирования вариационных рядов значений денситометрического признака
(интенсивности яркости) и размаха рядов сегментов рентгенографического снимка fk(xij) – оператор
дискретизации и кантования снимка, k  1, m; i, j [n  n] ; F r2 – оператор упорядочивания значений элементов
n
матрицы r  1, n , Б – пример сегментации правосторонней ОНП
2
По найденным вариационным рядам строят L гистограмму (Рис. 6, Б) для каждого
сегмента, определяют соответственно математическое ожидание М[Xj], среднеквадратичное
отклонение [Xj], коэффициент вариации Vj гистограммы каждого j-го сегмента, где
̅̅̅̅̅̅. При этом посредством количественного и качественного сравнительного анализа
гистограмм сегментов контуров орбиты выбирают в качестве обновленного эталонного
образа такой j-ый сегмент, гистограмма которого имеет гомогенный, т.е. «стреловидный»
[ ]
характер с минимальным значением коэффициента вариации
и фиксируют
соответствующее математическое ожидание М[Xj]|minVj. Вследствие, контур исследуемой
патологической пазухи оценивается последовательностью коэффициентов плотностей,
}) и, в
коэффициентов вариации сегментов пазухи ({
}, {
соответствии с таблицами 1 и 2, осуществляется анализ топологии распределения патологии
в исследуемом фрагменте.
В данной главе решена задача распознавания наличия патологических изменений в
условиях отсутствия эталонных изображений. Предложен метод на основе вычисления
корреляционных характеристик цифрового изображения и метод порядково-логического
распознавания.
В результате разбиения исходного изображения на сегменты или выделения областей
интереса и последующей их оцифровки получают совокупность квадратных матриц
интенсивностей яркости пикселей изображения (4).
{1, …, k, …, L}, k=||λij||k
(4)
10
Каждая из матриц может рассматриваться как совокупность случайных величин яркостей
элементов изображения. Далее путем стандартных преобразований получают
ковариационную матрицу(4), устанавливающую статистические связи между элементами.
(5)
   M          ' ,


ожидания,  - среднее значение вектора
,
 k   11 , 12 ,..., 1n , 21 , 22 ,..., 2 n ,..., n1, n 2 ,..., nn k      - представляет собой матрицу-столбец, а
     ' - матрицу-строку.
где
М
–
оператор
математического
В (4), элементы диагонали представлены дисперсиями отдельных случайных величин, а
все остальные элементы соответствуют ковариациям двух случайных величин λij, взятых при
разных сочетаниях i и j. Ковариационная матрица строго симметрична.
Полезные свойства медицинского изображения могут быть выяснены при анализе
автокорреляционной матрицы изображения, которую принято называть матрицей рассеяния
(5), поскольку она характеризует рассеяние дисперсий элементов изображения
 M {112 } ... M {11nn } 

 .
S  
...
...
...

 M {nn11} ... M {nn2 } 

k
(6)
Поскольку ковариация является ненормированной величиной, то при анализе разных
рентгеновских снимков различия могут оказаться существенными даже при одной и той же
типовой ситуации, что затруднит принятие решения врачом-диагностом. Более удобным в
этом отношении является коэффициент корреляции.
Таким образом, благодаря предложенному алгоритму исходное изображение будет
преобразовано в совокупность коэффициентов корреляции, являющихся аналитическим
представлением всех существенных свойств изображения, а процедура диагностики
заболевания может быть сведена к простой процедуре доступной и для автоматизированных
средств диагностики без участия врача-диагноста.
Алгоритм на основе вычисления корреляционных характеристик достаточно трудоемкий в
вычислениях и, самое главное, позволяет выявлять патологии, только если имеется линейная
корреляция между элементами изображения. Алгоритм не способен распознавать
корреляции в случае более сложных зависимостей, следовательно, для подтверждения
отсутствия патологий необходимо применение дополнительных процедур исследования
изображений.
В связи с вышесказанным, предлагается алгоритм порядково-логического распознавания
патологий медико-биологических объектов, который может применяться и как
самостоятельный метод.
Как и ранее, исходное изображение разбивается на сегменты или областей интереса,
каждый из сегментов отображается матрицей интенсивностей яркости пикселей изображения
(2), причем в данном алгоритме каждая из матриц необязательно должна быть квадратной.
В соответствии с ранее описанным способом неупорядоченное множество чисел {a1,…,
an} представляется в виде матрицы-столбца. Порядковый логический определитель (7) r-го
ранга от квазиматрицы А выделяет r-й по величине элемент исходной квазиматрицы.
Очевидно, экстремальным (минимальному и максимальному) значениям последовательности
соответствуют определители А(1) и А(n) рангов.
r 
a1
An  ... 

i1 ...in  r 1
ai1 ...ain  r 1 , где ai  {a1 ,..., an }
,
(7)
an
Предложенная процедура раскрытия логического определителя позволяет переходить от
вектора-столбца, представляющего собой неупорядоченное множество случайных величин, к
вектору-строке  n | 1 ,..., n | , в котором все числа упорядочены по не убыванию, при этом
применение процедуры определения адресно-разрядных коэффициентов позволяет
сохранять информацию о положении элемента в исходном векторе-столбце.
11
Полученный ранжированный ряд интенсивностей яркости пикселей изображения,
рассматриваемый как вариационный ряд случайных значений выборки, может быть
подвергнут стандартным процедурам статистической обработки с построением гистограммы
и определением таких статистических характеристик, как размах, математическое
ожидание, дисперсия, среднеквадратическое отклонение, показатели вариации, коэффициент
вариации, линейный коэффициент вариации, коэффициент осцилляции.
В результате описанных процедур, применяемых к каждому сегменту изображения или
выделенных областей интереса, осуществляется переход от совокупности матриц
интенсивностей яркости пикселей изображения{1, …, k, …, L} к совокупностям их
количественных характеристик, являющихся аналитическим отображением основных
текстурно-топологических свойств изображения.
Путем сравнения полученных параметрических значений между собой определяется
состояние пациента на основе допускных значений характерных определенным патологиям
(таблицы 1 и 2).
Предложенный статистический метод и алгоритмы его поддержки положены в основу
системы поддержки принятия решений врачом-оториноларингологом, описанную в
четверной главе диссертационного исследования.
В четвертой главе выявлены основные принципы, параметры и особенности
телемедицинской системы для ЛОР-отделения любого лечебно-профилактического
учреждения, обоснована актуальная необходимость синтеза диагностических систем
информационной поддержки принятия решений, также предложена структура
диагностического медицинского терминала для обработки медицинских изображений
фрагментов околоносовых пазух пациентов (рис. 7).
Цифровой способ получения изображения
Цифровой
рентгеновский
аппарат
Цифровая
рентгенограмма
АРМ
лаборантарентгенолога
Цифровой снимок
рентгенограммы +
соответствующе
заполненная ката
пациента
Пациент
Описание и
заключение врачадиагноста
Снимки других методов
контроля и диагностики
Традиционный способ получения
изображения
Подсистема
архивирования
Традиционный
рентгеновский
аппарат
АРМ врачадиагноста
Экспертная
система
Фото снимок
Пациент
БД ЛОР отделения +
медицинских карт
пациентов
;
те ,
ен ия й с
ци ан ци и
па ев а ст
о ол ьт мо
л
ии аб су ди
ац з н о
м ев ко бх
ор ча х ео
ф л у ны н
ин с ль ае
п. ых те уч
до ичн лни сл
в
ие ог по и
ен ал д о ам
уч а н е а ч
ол к н и р
П ис де и в
по ве им
о уг
пр др
БД единой
медицинской
информационной
системы
Сканер
АРМ
лаборантарентгенолога
Цифровой снимок
рентгенограммы +
соответствующе
заполненная ката
пациента
Система
предварительной
обработки
изображений
Принтер
Специальное программное
обеспечение
Рисунок 7 – Структура диагностического медицинского терминала для обработки медицинских изображений
фрагментов околоносовых пазух пациентов
Разработана модель порядково-логических реляторной структуры в виде "дейзи-кольцо"
(рис. 8.А). Математическая модель структуры "дейзи-кольцо" может быть записана в
матричной форме (8).
y1
x1
p11 p12 ... p1n
n
y2
x2
p 21 p 22 ... p 2 n


V X j
n
...
...
...
... ... ... j 1
| Yj | | X j || Pij || V X j ; i = 1, n; j  1, n,
yn
xn
p n1 p n 2 ... p nn
j 1
или
(8)
где
12
P
x2
x3
x4
... x ( n  1)
xn
x3
x4
x5
...
xn
x1
...
...
...
...
...
...
x1
x2
x3
... x ( n  2 )
;
n
V Xj
x ( n  1)
j 1
- общий входной дизъюнктивный сигнал.
Модель позволяет синтезировать логические контроллеры ввода рентгенографической
визуальной информации в ЭВМ и осуществлять информационно-аппаратную связь «ЭВМлогический контроллер» (рис. 8, Б).
x1
n
x2
&
V xj
x3
&
xn
&
&
j1
1
&
&
y1
&
y2
&
y3
yn
А.
Б.
Рисунок 8. А – Структура с приоритетной стратегией типа "дейзи-цепочка" (Элементарный логический
реляторный процессор); Б – Функциональная схема экспертной системы, где K={K1, …,Kn} – множество
кластеров пикселей, X={x1,…,xn} – множество входных информационных потоков, LC – логический
контроллер, LCD – пороговое устройство, RAM – оперативное запоминающее устройство, SW – коммутатор,
A/D – аналогово-цифровой преобразователь, AB – шина адреса, DB– шина данных, CB – управляющая шина,
VDT – терминал отображения видео данных, {U,S,R}– управляющие сигналы системы приоритета.
На основе анализа основных параметров построения и особенностей функционирования
телекоммуникационной системы ЛОР-отделения, а также методики выбора оптимальной
схемы построения данной системы разработана структура системы передачи данных для
лечебного подразделения (рис. 9).
Сервер ЛПУ
БД ЛОРотделения
СУБД
Ядро экспертной системы
Модуль
диагностики
Модуль
первичной
обработки
Удаленные клинические
рабочие места ЛОРотделений других ЛПУ
INTERNET
Физическая среда передачи данных телекоммуникационной системы ЛПУ
АРМ врачаклинициста
Рабочая группа
терминалов ЛПУ
Рентген-лаборатория
Рисунок 9 - Структурная схема телекоммуникационной системы ЛОР-отделения
Особое внимание уделено структуре базы данных (БД) (рис. 10), позволяющей оперативно
обеспечивать работу исследуемой телемедицинской системы, а также накапливать полезную
информацию для дальнейшего ее использования в исследовательских и лечебнопрофилактических целях.
13
Удаленный доступ к назначенным
консультациям через Webинтерфес
Регистратура
Бухгалтер, научным
сотрудникам,
Internet
БД назначенных
консультаций
Доступ не
медицинских
работников
Справочник
методов лечения
Первичная регистрация
пациентов
Регистр пациентов с
отсутствием лобных
пазух
Регистр
послеоперационных
пациентов
База паспортных
данных пациентов
БД истории
болезни
Специализированные
регистры пациентов
Система первичного
диагностирования
БД амбулаторных
карт
БД методов
обработки
диагностических
данных
База данных
первичного
обследования
пациента
Промежуточная
БД
необработанных
снимков
Классификационная
БД рентгенограмм
Классификационная
БД томограмм
Классификационная
БД диафанограмм
Справочник
первичных
признаков
заболеваний
лобных пазух
Система полного
диагностирования
Ядро системы
Классификационная
БД других методов
диагностики
Классификационная
БД
Информационные
сайты
БД статистики
ОКИП
рентгенограмм
БД статистики
заболеваемости
БД
динамического
наблюдения в
диспансерных
условиях
Другие БД
статистики
Реляционная БД
БД других МИС
Аптека
Дополнительные службы и БД
БД сторонних
информационн
ых систем
Рисунок 10 - Структура базы данных для экспертной системы контроля и диагностики заболеваний
околоносовых пазух по результатам анализа медицинских изображений
В пятой главе рассматриваются результаты практического применения разработанных
модулей телемедицинской системы, построенной на основе метода распознавания
денситометрических образов в области протекания патологических процессов, как с
использованием эталонных образов, так и в их отсутствии.
Практической применение экспресс-диагностики на основе статистических данных
относительного коэффициента интенсивности потока рентгенограмм и диафанорамм лобных
пазух пациентов позволило сделать следующие выводы, что среднеквадратическое
отклонение значений относительного коэффициента интенсивности потока (ОКИП) в
пределах 120-125 соответствует норме( по теоретическим расчетам данное значение
составляет 100), а также в ходе анализа статистических выборок ОКИП для диафанограмм
доказано, что величина показателя ОКИП должна быть меньше или равной 100% для группы
обследуемых с нормой, что обусловлено физическими свойствами распространения света в
неоднородной среде.
В главе осуществлено исследование практического применения основного
статистического метода.
В результате исследования безэталонных алгоритмов распознавания образов можно
сделать вывод, что использование совокупности количественных характеристик,
описывающих текстурно-топологические свойства объектов на рентгеновском снимке,
позволяет четко определить на изображении момент перехода между патологической и
нормализованной областями. Стоит отметить, что применение данных алгоритмов особенно
продуктивно при отечных формах патологий, например, максиллярном синусите.
В заключении формулируются основные результаты исследований по теме
диссертационной работы:
 предложено применение стрейч-преобразование, что позволяет минимизировать эффект
засветки рентгенограмм, обусловленный технологическими процессами формирования
рентгеновского изображения;
 предложено применение гиперболического преобразования, которое может послужить в
качестве базы для проведения сегментации изображения, повысив качество и точность
проводимых исследований врача-диагноста;
14

предложено применение фильтрации с усилением высоких частот и
метода
гистограммной эквализации на рентгенограмме, что позволило четко выделить структуры
костей и других деталей;
 исследован метод оценки визуального качества изображения на основе определения
числового коэффициента Q, который количественно характеризует качество
медицинского снимка(рентгенографии, томографии или диафанографии);
 предложен статистический метод диагностики на основе гистограммной модели
поведения контролируемых параметров, представленных в виде денситометрических
параметров рентгенографического изображения, позволяющих перейти от интуитивной
оценки медицинского изображения к параметрической, количественной оценке
исследуемого фрагмента;
 осуществлена локальная классификация неоднородности содержимого околоносовых
пазух посредством сравнительного анализа с существующей базой данных различных
патологических процессов;
 предложен безэталонный метод, позволяющий осуществить оценку состояния
исследуемой патологической области на основе
вычисления корреляционных
характеристик изображения (рентгенограммы, томограммы или диафанограммы);
 предложен безэталонный метод на основе сегментирования информативного контура
исследуемой патологической области, при этом каждый сегмент характеризуется
порядково-логическим определителем с указанием адресов экстремальных значений в
данном сегменте;
 проведено исследование практического применения предлагаемого статистического
метода распознавания образов, результаты диагностики патологий на основе
предложенного метода распознавания образов патологий, полностью совпали с
экспертной оценкой врачей –клиницистов;
 предложенные статистический метод и алгоритмы могут быть полностью адаптированы к
решению любых задач, связанных с распознаванием исследуемой области, не только в
медицине, но и в других отраслях науки и техники, в основу которых положены работы с
цифровыми изображениями;
 произведена адаптация математического аппарата статистических методов к решению
задач отличной от первоначальной области исследования, анализ полученных результатов
позволил сделать вывод о многофункциональности предложенных методик в случаях,
когда объектом исследования выступает медицинское изображение;
 разработано системное программное обеспечение автоматизированного рабочего места
(АРМ) врача-клинициста для количественного анализа и оценки состояния околоносовых
пазух;
 разработана и исследована структура реляционных контроллеров по вводу цифровой
информации для АРМ врача-клинициста;
 предложена модель технического решения по развертыванию телемедицинской системы
на базе ЛОР-отделения лечебно-профилактического учреждения;
 предложена адаптивная модель структуры базы данных медицинских исследований.
Таким образом, в результате проведенного диссертационного исследования был
разработан и апробирован, «коллектив» статистических методов, позволяющих с высокой
долей вероятности производить не только оценку состояния патологии, но и производить
локализацию патологической области, как посредством участия врача-клинициста, так и без
его присутствия в случае безэталонной модели диагностики. Данные методы легли в основу
аппаратно-программного комплекса для поддержки принятия решения врачом объективной
диагностики патологии околоносовых пазух.
В приложениях представлены исходные данные, промежуточные и конечные результаты
расчетов, основные формулы и методики, листинг программы на языке MatLab и C++,
разработанной для компьютерного анализа медицинских изображений.
15
ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ
Публикации в изданиях, рекомендованных ВАК Минобрнауки РФ:
1. Прибыльский А.В., Самойленко А.П., Волков А.Г., Ковалев А.А. Статистическая
диагностика состояния эволюции патогенеза хронического гнойного среднего отита на фоне
нарушения углеводного обмена. Журнал «Технологии живых систем», 2015, №6, -с 81-96.
2. Прибыльский А.В., Самойленко А.П. Синтез логических контроллеров ввода
рентгенографической визуальной информации о состоянии биологического объекта. Журнал
«Динамика сложных систем», 2015, №3, т.9., -с.85-96.
3. Прибыльский А.В., Самойленко А.П. Статистический принцип диагностики состояния
трансплантированной костной ткани. Журнал «Наукоемкие технологии», 2015, №11, -с.6980.
4. Прибыльский А.В., Самойленко А.П., О.А. Усенко Метод порядково-логического
распознавания патологий медико-биологических объектов по рентгенографическим
снимкам. Журнал «Информационно-измерительные и управляющие системы», № 5, т. 14,
2016, с.1-15.
5. Прибыльский А.В., Чернов Н.Н., Самойленко А.П. Способ повышения информативности
первичной обработки рентгенограмм. Моделирование, оптимизация и информационные
технологии. Научный журнал, Том 6, № 1, 2018, http://moit.vivt.ru/.
Патенты на изобретение и авторские свидетельства на программный продукт
6. Прибыльский А.В., Самойленко А.П., Пужаев С.И., Волков А.Г.. Способ диагностики
патологий околоносовых пазух путем распознавания образов. Патент РФ № 2585700.
Зарегистрировано в государственном реестре изобретений Российской Федерации 10 мая
2016 г. Опубликовано 10.06.2016 Бюл.№16.
7. Прибыльский А.В., Самойленко А.П., Волков А.Г., Галанзовский Д.С.. Программный
процессор для диагностики патологий параназальных пазух в базисе денситометрических
параметров. Свидетельство о государственной регистрации программы для ЭВМ №
2011619039 заявка № 2011617177 от 27 сентября 2011, зарегистрирован в реестре 18 ноября
2011года.
8. Прибыльский А.В., Самойленко А.П. Программный процессор мобильного
диагностического терминала информационной поддержки врача-оториноларинголога.
Свидетельство о государственной регистрации программы для ЭВМ № 2012619118 заявка №
2012617090 от 21 августа 2012, зарегистрирован в реестре 8 октября 2012года.
Работы, опубликованные в других журналах и сборниках:
9. Прибыльский А.В., Самойленко А.П. Информационная технология распознавания
патологий
объекта
по
его
цифровому
изображению.
Журнал
«Детская
оториноларингология», 2015, спецвыпуск, - с. 48-50.
10.
Прибыльский А.В., Назаренко А.С.Разработка и исследование принципов
компьютерной диафаноскопии. Материалы МНК Инновационные технологии в управлении,
образовании и промышленности «АСТИНТЕХ-2009»Астрахань: Изд-во «Астраханский
университет». 2009.- с.27-28
11.
Прибыльский А.В., Петренко Е.Б.. Разработка и исследование принципов построения
беспроводной системы контроля и диагностики прочностного состояния фюзеляжа
летательного аппарата. Материалы Всероссийской молодежной научной конференции
«Мавлютовские чтения».-Уфа: Изд-во УГАТУ, 2010.-с.296-298
12.
Прибыльский А.В., Самойленко А.П.. Информационная система рентгеноскопической
диагностики состояния околоносовых и лобных пазух. Сборник конкурсных работ
Всероссийского смотра-конкурса научно-технического творчества студентов вузов РФ
«Эврика-2009».-Новочеркасск: Изд-во ЛИК.2009,-с.48-50
13.
Прибыльский
А.В.
Информационная
система
рентгеноскопической
и
диафаноскопической
диагностики состояния носовых и лобных пазух.Материалы
Всероссийской молодежной выставки-конкурса прикладных исследований, изобретений и
инноваций.-Саратов: Изд-во Саратовского университета.2009.-с8.
16
14.
Прибыльский А.В.. Информационная технология распознания патологий объекта по
его цифровому изображению. Неделя науки – 2010: Материалы научных работ. - Таганрог:
Изд-во ТТИ ЮФУ, 2010. – с. 16-18
15.
Прибыльский А.В., Самойленко А.П..Система информационной поддержки принятия
решения врачом-отоларингологом.
Сборник работ победителей Всероссийского
конкурса НИР студентов, аспирантов и молодых ученых по междисциплинарным
направлениям.-Новочеркасск: Изд-во ЛИК.2011.-с.21-23.
16.
Прибыльский А.В., Самойленко А.П..Информационная система диафаноскопической
диагностики патологий верхнечелюстных и лобных пазух. Материалы Х Всероссийской
научной конференции студентов и аспирантов «КРЭС-2010». – Таганрог: Изд-во ТТИ ЮФУ,
2010. –Т.1– с. 22-23
17.
Прибыльский А.В., Самойленко А.П..Одноканальнаятомографическая система
диагностики ЛОР-заболеваний. Материалы IX Всероссийской научной конференции
«Информационные технологии, системный анализ».-Таганрог: Изд-во ТТИ ЮФУ.2011.-Т2.с.106-109.
18.
Прибыльский А.В.. Телекоммуникационный диагностический терминал ЛВС клиники
для врача-отоларинголога. Сборник конкурсных НИР аспирантов, магистров, и молодых
ученых в области стратегического партнерства вузов и предприятий радиотехнического
комплекса.-СПб:Изд-во ЛЭТИ.2011.-с.187-190.
19.
Прибыльский А.В.. Рентгеноскопический снимок как объект медицинской
диагностики при синтезе статистических моделей состояния лобных пазух пациентов.
Материалы XXXVIII Международной научной конференции «Гагаринские чтения».-М.:Издво МАТИ. 2012.-Т.3.-с. 137-138
20.
Прибыльский А.В., Самойленко А.П..Телекоммуникационный терминал локально
вычислительной сети клиники для врача-отоларинголога. Материалы Всероссийской
научной конференции «Системотехника-2011».-Таганрог: Изд-во ТТИ ЮФУ.2011.-с.213-219.
21.
Прибыльский А.В.. Мобильный стенд для рентгеноскопической
диагностики
состояния лобных пазух пациентов. Тезисы докладов 19-ой Всероссийской научнотехнической конференции «Микроэлектроника и информатика-2012».-М.: Изд-во МИЭТ.
2012.- с. 257.
22.
Прибыльский А.В.. Мобильная система информационной поддержки врача –
отоларинголога при диагностике патологий параназальных пазух. Материалы Региональной
научно-практической конференции «Становление Молодой инновационной России.
Перспективы и пути развития».- Брянск: БГТУ, 2012. -.с.81-85
23.
Прибыльский А.В., Самойленко А.П.. Информативная сегментация рентгеновского
снимка патологий лобных пазух. Материалы докладов VIII Научной конференции студентов
и аспирантов базовых кафедр южного научного центра РАН.-Ростов н/Д: Изд-во ЮНЦ РАН.
2012. –с. 169-170.
24.
Прибыльский А.В., Самойленко А.П.. Статистический метод распознавания образов
при диагностике состояний верхнечелюстных пазух пациентов.
Материалы
X
Всероссийской научной конференции «Информационные технологии, системный анализ».Таганрог: Изд-во ТК ЮФУ.2012 с. 184-189.
25.
Прибыльский А.В., А.П. Самойленко. Информационные технологии при синтезе
медицинских информационных систем MEDCAD. Сборник работ лауреатов конкурса
молодых ученых им. Академика И.И. Воровича. «Фундаментальные и прикладные проблемы
современной техники» - Ростов-н/Д:из-во СКНЦ ВШ ЮФУ, 2012. –с.61-70
26.
Прибыльский А.В., Самойленко А.П., Пужаев С.И., Волков А.Г.Статистический метод
распознавания образов при диагностике состояний верхнечелюстных пазух пациентов.
Сборник статей 67 научной конференции молодых ученных РостГМУ – Ростов-н/Дону: издво РостГМУ, 2013, с. 24-27.
27.
Прибыльский А.В., Самойленко А.П.. Особенности построения систем поддержки
принятия решений в оториноларингологии. Сборник тезисов юбилейного заседания
17
Ростовской секции российской ассоциацииоториноларингологов. – Ростов-н/Дону: Из-во
РостГМУ, 2013, с. 32.
28.
Прибыльский А.В.. Безэталонный метод оценки степени патологий при диагностике
околоносовых пазух пациентов. Материалы докладов IX Научной конференции студентов и
аспирантов базовых кафедр южного научного центра РАН.-Ростовн/Д: Изд-во ЮНЦ РАН.
2013, с. 68-69.
29.
Прибыльский
А.В.,
Самойленко
А.П..
Оценка
состояния
остеогенеза
трансплантируемой костной ткани в оториноларингологии. Материалы всероссийской
научно-технической конференции «Биомедсистемы 2013». – Рязань: Из-воРГРУ, 2013, с.7-10
30.
Прибыльский А.В., Самойленко А.П., ПужаевС.И..Математические показатели для
объективной оценки состояния околоносовых пазух. Материалы международной научнопрактической
конференции
оториноларингологов
«Актуальные
вопросы
оториноларингологии». –Благовещенск: Издательство АГМА, 2014, с.13-17.
31.
Прибыльский А.В., Самойленко А.П.. Оценка состояния репаративного процесса
трансплантируемой костной ткани на основе информативной сегментации медицинского
изображения.
Материалы
всероссийской
научно-практической
конференции
«Инновационные технологии и диалектика в обучении».–Таганрог:Из-во ЮФУ,2014, с.55-58.
32.
Прибыльский А.В., Самойленко А.П., Пужаев С.И., Волков А.Г.. Использование
программы “Rentgenography”
в диагностике экссудативных синуситов. Материалы
международной научно-практической конференции «Инновационные технологии в
медицине» -Черкесск: Издательство МСК ГГТА, 2014, с.165-170.
33.
Прибыльский А.В., Самойленко А.П., Усенко О.А. Метод информационной
поддержки принятия решений при распознавании образов патологий.
Материалы
Всероссийской научной конференции «Системотехника-2015».-Ростов-на Дону: Изд-во
ЮФУ.2015.-с.193-197.
34.
Прибыльский А.В. Информационные технологии в оториноларингологии Сборник
работ Международной конференции молодых ученых стран БРИКС "Сотрудничество стран
БРИКС для устойчивого развития", Ростов-на-Дону, 24-26 сентября 2015 г., том 2, с 150-152.
Личный вклад автора в работах, опубликованных в соавторстве:
[1,5]-исследование поведения коэффициента вариации у пациентов различных
физиологических групп, [2-3]-разработка математической модели программного
обеспечения,[4]-исследование корреляционных зависимостей статистических характеристик
пациентов с различной степенью нарушения углеводного обмена, [7,22]-алгоритм
сегментации патологической области,[8]-применение порядковой логики при распознавании
патологической области на снимке,[9]-параметрическая модель диафанограммы,[1114,18,21]-параметрическая модель паранозальных пазух и ееобработка статистическими
методами,[15-17]-разработка структурной схемы системы и программная реализация
методов обработки диафанограмм в среде Matlab, 19]- структурная схема терминала и
программная реализация его компонентов,[20]-построение телекоммуникационной сети ЛПУ
на основе представленного стенда, [23]-оценка эффективности эталонного образа,[25]модель поведения коэффициентов вариации при максиллярном синусите,[26]-формирование
критериев поддержки принятия решений на основе коэффициентов плотности и
вариации,[27]-применение
корреляционной
матрицы,[28,30]-алгоритм
сегментации
исследуемой области,[29]-описание параметрической модели околоносовых пазух, [31]программная реализация статистического метода,[32-33]-параметрическая модель
патологической области.
Соискатель
Прибыльский А.В.
18
1/--страниц
Пожаловаться на содержимое документа