Из Википедии, свободной энциклопедии
Перейти к навигации Перейти к поиску
Для компьютерной помощи в других областях медицины см. Система поддержки принятия клинических решений .
Не путать с диагностикой (искусственный интеллект) .
Компьютерная диагностика
Рентген руки, на котором костный возраст автоматически определяется программой BoneXpert.jpg
Рентген руки с автоматическим вычислением костного возраста компьютерным программным обеспечением.
Целькомпьютерная диагностика изображений

Компьютерное обнаружение ( CADe ), также называемое компьютерной диагностикой ( CADx ), - это системы, которые помогают врачам интерпретировать медицинские изображения . Методы визуализации в рентгеновской , МРТ и ультразвуковой диагностике дают большой объем информации, которую радиолог или другой медицинский работник должен проанализировать и всесторонне оценить за короткое время. Системы CAD обрабатывают цифровые изображения для получения типичного внешнего вида и выделения заметных участков, таких как возможные заболевания, чтобы предложить исходные данные для поддержки решения, принятого профессионалом.

CAD также имеет потенциальные будущие приложения в цифровой патологии с появлением полных изображений и алгоритмов машинного обучения . До сих пор его применение ограничивалось количественной оценкой иммуноокрашивания, но также изучается стандартное окрашивание H&E . [1]

САПР - это междисциплинарная технология, сочетающая элементы искусственного интеллекта и компьютерного зрения с обработкой радиологических и патологических изображений. Типичное применение - обнаружение опухоли. Например, некоторые больницы используют ИБС для поддержки профилактических медицинских осмотров при маммографии (диагностика рака груди), обнаружения полипов в толстой кишке и рака легких .

Системы компьютерного обнаружения (CADe) обычно ограничиваются маркировкой заметных структур и участков. Системы компьютерной диагностики (CADx) оценивают заметные структуры. Например, в маммографии CAD выделяет кластеры микрокальцификации и гиперплотные структуры в мягких тканях. Это позволяет рентгенологу сделать выводы о состоянии патологии. Другое приложение - CADq, который позволяет количественно оценить, например , размер опухоли или поведение опухоли при поглощении контрастного вещества. Компьютерная простая сортировка (CAST) - это еще один тип САПР, который выполняет полностью автоматическую первоначальную интерпретацию и сортировку исследований по некоторым значимым категориям ( например,отрицательный и положительный). CAST особенно применим в неотложной диагностической визуализации, где требуется оперативная диагностика критического, опасного для жизни состояния.

Хотя CAD используется в клинической среде более 40 лет, CAD обычно не заменяет врача или другого профессионала, а играет вспомогательную роль. Профессионал (обычно радиолог) обычно несет ответственность за окончательную интерпретацию медицинского изображения. [2] Однако цель некоторых CAD-систем - обнаруживать самые ранние признаки аномалии у пациентов, которые не могут быть недоступны специалистам-людям, как, например, при диабетической ретинопатии , архитектурные искажения на маммограммах, [3] [4] узелки матового стекла при компьютерной томографии грудной клетки, [ 5] [6] и неполиповидные («плоские») поражения при КТ-колонографии. [7]

Темы [ править ]

Краткая история [ править ]

В конце 1950-х годов, с появлением современных компьютеров, исследователи в различных областях начали изучать возможность создания систем компьютерной медицинской диагностики (CAD). Эти первые САПР использовали блок-схемы, статистическое сопоставление с образцом, теорию вероятностей или базы знаний для управления процессом принятия решений. [8]

С начала 1970-х годов некоторые из самых ранних CAD-систем в медицине, которые в медицине часто назывались « экспертными системами », разрабатывались и использовались в основном в образовательных целях. MYCIN экспертная система, [9] интерниста-я экспертная система [10] и Caduceus (экспертная система) [11] некоторые из таких примеров.

В начале ранних разработок исследователи стремились создать полностью автоматизированные САПР / экспертные системы. Ожидание того, что могут делать компьютеры, было нереально оптимистичным среди этих ученых. Однако, после прорыва бумаги «сводимость комбинаторной проблемы» по Ричарду М. Карпу , [12] стало ясно , что существует ограничение , но и потенциальные возможности , когда один разрабатывает алгоритмы для решения группы важных вычислительных задач. [8]

В результате нового понимания различных алгоритмических ограничений, которые Карп обнаружил в начале 1970-х годов, исследователи начали осознавать серьезные ограничения, которые имеют САПР и экспертные системы в медицине. [8] Осознание этих ограничений побудило исследователей разработать новые виды САПР с использованием передовых подходов. Таким образом, к концу 1980-х и началу 1990-х годов акцент сместился на использование методов интеллектуального анализа данных с целью использования более совершенных и гибких систем САПР.

В 1998 году первая коммерческая CAD-система для маммографии, система ImageChecker, была одобрена Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA). В последующие годы несколько коммерческих CAD-систем для анализа маммографии, МРТ груди, медицинских изображений легких, толстой кишки и сердца также получили одобрение FDA. В настоящее время системы CAD используются в качестве диагностического средства, позволяющего врачам принимать более обоснованные медицинские решения. [13]

Методология [ править ]

САПР принципиально основан на распознавании очень сложных образов . Рентгеновские снимки или другие типы изображений сканируются на предмет подозрительных структур. Обычно для оптимизации алгоритма требуется несколько тысяч изображений. Данные цифрового изображения копируются на сервер САПР в формате DICOM и подготавливаются и анализируются в несколько этапов.

1. Предварительная обработка для

  • Уменьшение артефактов (багов в изображениях)
  • Снижение шума изображения
  • Выравнивание (гармонизация) качества изображения (повышение контрастности) для очистки различных основных условий изображения, например, различных параметров экспозиции.
  • Фильтрация

2. Сегментация для

  • Различение различных структур на изображении, например сердца, легких, грудной клетки, кровеносных сосудов, возможных круглых поражений.
  • Сопоставление с анатомической базой данных
  • Примеры значений серого в интересующем объеме [14]

3. Анализ структуры / ROI (интересующей области) Каждая обнаруженная область анализируется индивидуально на предмет специальных характеристик:

  • Компактность
  • Форма, размер и расположение
  • Ссылка на близлежащие сооружения / РИ
  • Анализ среднего значения серого уровня в пределах ROI
  • Пропорция серых уровней к границе структуры внутри ROI

4. Оценка / классификация После анализа структуры каждая рентабельность инвестиций оценивается индивидуально (балльная оценка) на предмет вероятности TP. Следующие процедуры являются примерами алгоритмов классификации.

  • Правило ближайшего соседа (например, k- ближайших соседей ) [15]
  • Классификатор минимального расстояния
  • Каскадный классификатор
  • Наивный байесовский классификатор
  • Искусственная нейронная сеть [16] [17] [18] [19] [20]
  • Сеть радиальных базисных функций (RBF)
  • Машина опорных векторов (SVM) [21] [22]
  • Анализ основных компонентов (PCA)

Если обнаруженные структуры достигли определенного порогового уровня, они выделяются на изображении для рентгенолога. В зависимости от системы CAD эти отметки могут быть сохранены постоянно или временно. Преимущество последнего в том, что сохраняются только одобренные рентгенологом маркировки. Ложные попадания не следует сохранять, потому что позднее обследование станет более трудным.

Чувствительность и специфичность [ править ]

CAD-системы стремятся выделить подозрительные структуры. Современные CAD-системы не могут обнаружить 100% патологических изменений. Скорость попадания ( чувствительность ) может достигать 90% в зависимости от системы и приложения. [23] Правильное попадание называется истинным положительным результатом (TP), а неправильная маркировка здоровых участков - ложным положительным результатом (FP). Чем меньше указано FP, тем выше специфичность . Низкая специфичность снижает признание системы CAD, потому что пользователь должен идентифицировать все эти неправильные совпадения. Показатель FP при обзорных исследованиях легких (CAD Chest) может быть снижен до 2 за одно исследование. В других сегментах ( например, при компьютерной томографии легких) частота FP может составлять 25 или более. В CASTсистемы скорость FP должна быть очень низкой (менее 1 на рассмотрении) , чтобы позволить значимое исследование сортировки .

Абсолютный коэффициент обнаружения [ править ]

Абсолютная частота обнаружения рентгенологом - это показатель, альтернативный чувствительности и специфичности. В целом, результаты клинических испытаний по чувствительности, специфичности и абсолютной частоте обнаружения могут значительно различаться. Каждый результат исследования зависит от его основных условий и должен оцениваться с учетом этих условий. Следующие факты имеют сильное влияние:

  • Ретроспективный или перспективный дизайн
  • Качество используемых изображений
  • Состояние рентгенологического исследования
  • Опыт и образование радиолога
  • Тип поражения
  • Размер рассматриваемого поражения

Проблемы, с которыми сегодня сталкивается САПР в медицине [ править ]

Несмотря на многочисленные разработки, достигнутые САПР с момента появления компьютеров, системы САПР по-прежнему сталкиваются с определенными проблемами. [24]

Некоторые проблемы связаны с различными алгоритмическими ограничениями в процедурах системы CAD, включая сбор входных данных, предварительную обработку, обработку и оценку системы. Алгоритмы обычно предназначены для выбора единственного вероятного диагноза, что обеспечивает неоптимальные результаты для пациентов с множественными сопутствующими заболеваниями. [25] Сегодня исходные данные для CAD в основном поступают из электронных медицинских карт (EHR). Эффективное проектирование, внедрение и анализ EHR - важная необходимость в любых CAD-системах. [24]

Из-за большой доступности данных и необходимости их анализа большие данные также являются одной из самых больших проблем, с которыми сегодня сталкиваются САПР. Серьезной проблемой является постоянно растущий объем данных о пациентах. Часто данные пациента являются сложными и могут быть полуструктурированными или неструктурированными . Это требует высокоразвитых подходов для их хранения, извлечения и анализа в разумные сроки. [24]

На этапе предварительной обработки необходимо нормализовать входные данные. Нормализация входных данных включает уменьшение шума и фильтрацию. Обработка может содержать несколько подэтапов в зависимости от приложений. Основными тремя подэтапами медицинской визуализации являются сегментация, выделение / выбор признаков и классификация. Эти подэтапы требуют передовых методов анализа входных данных с меньшими затратами времени. Хотя много усилий было потрачено на создание инновационных методов для этих процедур в системах САПР, до сих пор не существует единственного лучшего алгоритма для каждого шага. Постоянные исследования в области создания инновационных алгоритмов для всех аспектов систем САПР имеют важное значение. [24]

Также отсутствуют стандартизированные меры оценки для CAD-систем. [24] Этот факт может затруднить получение разрешения FDA на коммерческое использование. Более того, хотя многие положительные разработки CAD-систем были доказаны, исследования по проверке их алгоритмов для клинической практики практически не получили подтверждения. [26]

Другие проблемы связаны с проблемой для поставщиков медицинских услуг внедрять новые системы CAD в клиническую практику. Некоторые отрицательные исследования могут препятствовать использованию CAD. Кроме того, отсутствие обучения медицинских работников использованию CAD иногда приводит к неправильной интерпретации результатов системы. Эти проблемы описаны более подробно в [24].

Приложения [ править ]

Интерфейс Medical Sieve , алгоритма IBM для помощи в принятии клинических решений.

САПР используется в диагностике рака молочной железы , рака легких , рака толстой кишки , рака предстательной железы , костных метастазов , заболевания коронарной артерии , врожденный порок сердца , патологического обнаружения головного мозга, болезнь Альцгеймера , и диабетической ретинопатии .

Рак груди [ править ]

ИБС используется в скрининговой маммографии (рентгенологическом исследовании женской груди). Скрининговая маммография используется для раннего выявления рака груди. Системы CAD часто используются, чтобы классифицировать опухоль как злокачественную или доброкачественную. ИБС особенно широко используется в США и Нидерландах и используется в дополнение к оценке на людях, как правило, радиологом . Первая система CAD для маммографии была разработана в рамках исследовательского проекта Чикагского университета. Сегодня он коммерчески предлагается iCAD и Hologic . [ необходима цитата ]Однако при достижении высокой чувствительности системы САПР, как правило, имеют очень низкую специфичность, и преимущества использования САПР остаются неопределенными. В систематическом обзоре 2008 г. по компьютерному обнаружению в скрининговой маммографии сделан вывод, что ИБС не оказывает значительного влияния на частоту выявления рака, но нежелательно увеличивает частоту отзыва ( т.е. частоту ложноположительных результатов). Тем не менее, в исследованиях была отмечена значительная неоднородность влияния на частоту отзыва. [27]

Последние достижения в области машинного обучения , глубокого обучения и технологий искусственного интеллекта позволили разработать системы CAD, которые клинически доказали, что помогают радиологам решать проблемы чтения маммографических изображений за счет повышения показателей выявления рака и уменьшения количества ложных срабатываний и ненужных отзывов пациентов, при этом значительно сокращая время чтения. [28]

Также существуют процедуры для оценки маммографии на основе магнитно-резонансной томографии .

Рак легких (бронхиальная карцинома) [ править ]

При диагностике рака легких используется компьютерная томография со специальными трехмерными системами CAD, которые считаются подходящими второстепенными специалистами. [29] При этом готовится и анализируется объемный набор данных, содержащий до 3000 отдельных изображений. Выявляются круглые очаги ( рак легкого , метастазы и доброкачественные изменения) от 1 мм. Сегодня все известные производители медицинских систем предлагают соответствующие решения.

Раннее обнаружение рака легких очень важно. Однако случайное обнаружение рака легких на ранней стадии (стадия 1) на рентгеновском снимке затруднено. Круглые поражения размером 5–10 мм легко не заметить. [30] Обычное применение CAD Chest Systems может помочь обнаружить небольшие изменения без первоначального подозрения. Ряд исследователей разработали системы CAD для обнаружения узелков в легких (круглые поражения размером менее 30 мм) при рентгенографии грудной клетки [31] [32] [33] и КТ, [34] [35] и системы CAD для диагностики ( например , различение между злокачественными и доброкачественными) узелков в легких на КТ. Виртуальная двухэнергетическая визуализация [36] [37] [38] [39]улучшена производительность CAD-систем при рентгенографии грудной клетки. [40]

Рак толстой кишки [ править ]

CAD доступен для обнаружения колоректальных полипов в толстой кишке при КТ-колонографии. [41] [42] Полипы - это небольшие выросты, которые возникают из внутренней оболочки толстой кишки. CAD обнаруживает полипы, определяя их характерную «неровную» форму. Чтобы избежать чрезмерного количества ложных срабатываний, CAD игнорирует нормальную стенку толстой кишки, включая хаустральные складки.

Сердечно-сосудистые заболевания [ править ]

Современные методы вычислений сердечно-сосудистой системы, информатики сердечно-сосудистой системы, а также математического и вычислительного моделирования могут предоставить ценные инструменты для принятия клинических решений. [43] CAD-системы с новыми маркерами на основе анализа изображений в качестве входных данных могут помочь сосудистым врачам с большей уверенностью принять решение о наиболее подходящем лечении пациентов с сердечно-сосудистыми заболеваниями .

Надежное раннее выявление и стратификация риска атеросклероза сонных артерий имеют первостепенное значение для прогнозирования инсульта у бессимптомных пациентов. [44] С этой целью были предложены различные неинвазивные и недорогие маркеры, использующие функции на основе ультразвуковых изображений. [45] Они сочетают в себе характеристики эхогенности , текстуры и движения [46] [47] [48] [49], чтобы помочь клиническим решениям улучшить прогнозирование, оценку и управление сердечно-сосудистым риском. [50]

CAD доступен для автоматического обнаружения значительного (вызывающего стеноз более 50% ) ишемической болезни сердца в исследованиях коронарной КТ-ангиографии (CCTA). [51]

Врожденный порок сердца [ править ]

Раннее обнаружение патологии может стать разницей между жизнью и смертью. CADe может быть выполнено путем аускультации с помощью цифрового стетоскопа и специального программного обеспечения, также известного как компьютерная аускультация . Шумы, нерегулярные сердечные тоны, вызванные током крови через дефектное сердце, могут быть обнаружены с высокой чувствительностью и специфичностью. Компьютерная аускультация чувствительна к внешнему шуму и звукам тела и требует почти бесшумной среды для точного функционирования.

Патологическое обнаружение мозга (PBD) [ править ]

Chaplot et al. был первым, кто использовал коэффициенты дискретного вейвлет-преобразования (DWT) для обнаружения патологических состояний мозга. [52] Майтра и Чаттерджи использовали преобразование Slantlet, которое является улучшенной версией DWT. Их вектор признаков каждого изображения создается путем рассмотрения величин выходных данных преобразования Slantlet, соответствующих шести пространственным положениям, выбранным в соответствии с определенной логикой. [53]

В 2010 году Ван и Ву представили метод на основе прямой нейронной сети (FNN) для классификации данного МРТ-изображения мозга как нормального или ненормального. Параметры FNN были оптимизированы с помощью адаптивной оптимизации роя хаотических частиц (ACPSO). Результаты более 160 изображений показали, что точность классификации составила 98,75%. [54]

В 2011 году Ву и Ван предложили использовать DWT для извлечения признаков, PCA для уменьшения признаков и FNN с масштабированной хаотической искусственной пчелиной колонией (SCABC) в качестве классификатора. [55]

В 2013 году Saritha et al. были первыми, кто применил вейвлет-энтропию (WE) для обнаружения патологического мозга. Сарита также предложила использовать сюжеты в паутине. [56] Позже Zhang et al. доказано, что удаление паутины не повлияло на производительность. [57] Метод поиска по генетическому паттерну был применен, чтобы идентифицировать аномальный мозг из нормального контроля. Сообщается, что его точность классификации составляет 95,188%. [58] Das et al. предложил использовать преобразование Ripplet. [59] Zhang et al. предложили использовать оптимизацию роя частиц (PSO). [60] Kalbkhani et al. предложил использовать модель GARCH. [61]

В 2014 году Эль-Дахшан и др. предложили использовать нейронную сеть с импульсной связью. [62]

В 2015 году Чжоу и др. предложили применить наивный байесовский классификатор для выявления патологических состояний мозга. [63]

Болезнь Альцгеймера [ править ]

CAD-ы можно использовать для выявления субъектов с болезнью Альцгеймера и умеренными когнитивными нарушениями из нормальной контрольной группы пожилых людей.

В 2014 году Padma et al . использовали комбинированные функции вейвлет-статистической текстуры для сегментации и классификации срезов доброкачественных и злокачественных опухолей AD. [56] Zhang et al. обнаружено, что дерево решений векторной машины поддержки ядра имело 80% точность классификации со средним временем вычисления 0,022 с для каждой классификации изображений. [64]

В 2019 году Сигнаевский и др . впервые сообщили об обученной полностью сверточной сети (FCN) для обнаружения и количественной оценки нейрофибриллярных клубков (NFT) при болезни Альцгеймера и множестве других таупатий. Обученный FCN достиг высокой точности и отзывчивости в семантической сегментации наивного цифрового изображения целого слайда (WSI), правильно идентифицируя объекты NFT с использованием модели SegNet, обученной для 200 эпох. FCN достигла почти практической эффективности со средним временем обработки 45 минут на WSI на графический процессор (GPU), что обеспечивает надежное и воспроизводимое крупномасштабное обнаружение NFT. Измеренная производительность на тестовых данных восьми наивных WSI при различных таупатиях привела к отзыву :точность и оценка F1 0,92, 0,72 и 0,81 соответственно. [65]

Собственный мозг - это новая функция мозга, которая может помочь в обнаружении БА на основе анализа главных компонентов [66] или разложения анализа независимых компонентов . [67] Было показано, что SVM с полиномиальным ядром обеспечивает хорошую точность. Полиномиальный KSVM работает лучше, чем линейный SVM и SVM с ядром RBF. [68] Другие подходы с приличными результатами включают использование анализа текстуры, [69] морфологических признаков [70] или статистических признаков высокого порядка [71]

Ядерная медицина [ править ]

CADx доступен для изображений ядерной медицины. Существуют коммерческие системы CADx для диагностики метастазов в кости при сканировании костей всего тела и ишемической болезни сердца на изображениях перфузии миокарда. [72]

Обладая высокой чувствительностью и приемлемой частотой обнаружения ложных поражений, автоматизированная система автоматического обнаружения поражений продемонстрировала свою полезность и, вероятно, в будущем сможет помочь врачам ядерной медицины выявлять возможные поражения костей. [73]

Диабетическая ретинопатия [ править ]

Диабетическая ретинопатия - это заболевание сетчатки, которое диагностируется преимущественно с помощью изображений глазного дна. Пациенты с диабетом в промышленно развитых странах обычно проходят регулярный скрининг на это заболевание. Визуализация используется для распознавания ранних признаков аномальных кровеносных сосудов сетчатки. Ручной анализ этих изображений может занять много времени и быть ненадежным. [74] [75] CAD был использован для повышения точности, чувствительности и специфичности автоматизированного метода обнаружения. Использование некоторых систем САПР для замены людей-грейдеров может быть безопасным и рентабельным. [75]

Предварительная обработка изображений, выделение и классификация признаков - два основных этапа этих алгоритмов САПР. [76]

Методы предварительной обработки [ править ]

Нормализация изображения сводит к минимуму отклонения по всему изображению. Сообщалось, что вариации интенсивности в областях между периферией и центральной макулярной областью глаза вызывают неточность сегментации сосудов. [77] Согласно обзору 2014 года, этот метод был наиболее часто используемым и появился в 11 из 40 недавно (с 2011 года) опубликованных первичных исследований. [76]

Образец изображения выравнивания гистограммы. Слева: нормальное полутоновое изображение глазного дна. Справа: обработка выравнивания пост-гистограммы. [78]

Выравнивание гистограммы полезно для повышения контрастности изображения. [79] Этот метод используется для увеличения локального контраста.В конце обработки области, которые были темными на входном изображении, будут осветлены, что значительно повысит контраст между элементами, присутствующими в этой области. С другой стороны, более яркие области входного изображения останутся яркими или будут уменьшены по яркости для выравнивания с другими областями изображения. Помимо сегментации сосудов, с помощью этого метода предварительной обработки можно дополнительно разделить другие признаки, связанные с диабетической ретинопатией. Микроаневризма и кровоизлияния представляют собой красные поражения, а экссудаты - желтые пятна. Увеличение контраста между этими двумя группами позволяет лучше визуализировать поражения на изображениях. Обзор 2014 г. показал, что 10 из 14 недавно (с 2011 г.) опубликовали первичные исследования с использованием этой техники. [76]

Фильтрация зеленого канала - еще один метод, который полезен для дифференциации поражений, а не сосудов. Этот метод важен, потому что он обеспечивает максимальный контраст между поражениями, связанными с диабетической ретинопатией. [80] Микроаневризмы и кровоизлияния - это красные поражения, которые становятся темными после применения фильтрации зеленого канала. Напротив, экссудаты, которые на нормальном изображении выглядят желтыми, после зеленой фильтрации превращаются в ярко-белые пятна. Согласно обзору 2014 года, этот метод используется в основном в 27 из 40 опубликованных статей за последние три года. [76] Кроме того, фильтрация зеленого канала может использоваться для обнаружения центра диска зрительного нерва в сочетании с системой двойного окна. [79]

Коррекция неравномерного освещения - это метод, который регулирует неравномерное освещение на изображении глазного дна. Неравномерное освещение может быть потенциальной ошибкой при автоматическом обнаружении диабетической ретинопатии из-за изменений статистических характеристик изображения. [76] Эти изменения могут повлиять на последующую обработку, такую ​​как извлечение признаков, и не наблюдаются людьми. Коррекция неравномерного освещения (f ') может быть достигнута путем изменения интенсивности пикселей с использованием известной исходной интенсивности пикселей (f) и средней интенсивности локальных (λ) и желаемых пикселей (μ) (см. Формулу ниже). [81] Затем применяется преобразование Вальтера-Клейна для достижения равномерного освещения. [81] Этот метод является наименее используемым методом предварительной обработки в обзоре 2014 года.

Морфологические операции - второй наименее используемый метод предварительной обработки в обзоре 2014 года. [76] Основная цель этого метода - обеспечить усиление контраста, особенно в более темных областях по сравнению с фоном.

Извлечение признаков и классификации [ править ]

После предварительной обработки изображения глазного дна, изображение будет дополнительно проанализировано с использованием различных вычислительных методов. Тем не менее, в современной литературе утверждается, что некоторые методы используются чаще, чем другие, во время анализа сегментации сосудов. К этим методам относятся SVM, многомасштабный подход, отслеживание судов, подход к выращиванию региона и подходы на основе моделей.

Машина опорных векторов. Опорные векторы (пунктирные линии) созданы для максимального разделения между двумя группами.

Машина опорных векторов является наиболее часто используемым классификатором при сегментации сосудов, до 90% случаев. [82] SVM - это модель обучения с учителем, которая относится к более широкой категории методов распознавания образов. Алгоритм работает, создавая наибольший разрыв между отдельными выборками в данных. Цель состоит в том, чтобы создать наибольший разрыв между этими компонентами, чтобы минимизировать потенциальную ошибку в классификации. [83]Чтобы успешно отделить информацию о кровеносных сосудах от остальной части изображения глаза, алгоритм SVM создает опорные векторы, которые отделяют пиксель кровеносного сосуда от остальной части изображения через контролируемую среду. Обнаружение кровеносных сосудов по новым изображениям может быть выполнено аналогичным образом с использованием опорных векторов. Комбинация с другими методами предварительной обработки, такими как фильтрация зеленого канала, значительно повышает точность обнаружения аномалий кровеносных сосудов. [76] Некоторые полезные свойства SVM включают [83]

  • Гибкость - высокая гибкость с точки зрения функций
  • Простота - просто, особенно с большими наборами данных (для разделения данных необходимы только опорные векторы)

Многомасштабный подход - это подход с множественным разрешением при сегментации сосудов. При низком разрешении сначала можно извлечь сосуды большого диаметра. Увеличивая разрешение, можно легко распознать более мелкие ответвления от крупных сосудов. Таким образом, одним из преимуществ использования этого метода является повышенная аналитическая скорость. [74] Кроме того, этот подход можно использовать с 3D-изображениями. Представление поверхности - это поверхность, нормальная к кривизне сосудов, что позволяет обнаруживать аномалии на поверхности сосудов. [79]

Отслеживание судов - это способность алгоритма определять "осевую линию" судов. Эти осевые линии являются максимальным пиком кривизны сосуда. Центры судов могут быть найдены с использованием информации о направлении, предоставляемой фильтром Гаусса. [79] Аналогичные подходы, использующие концепцию средней линии, основаны на каркасе и на основе дифференциальной геометрии. [74]

Подход с наращиванием области - это метод обнаружения сходных соседних пикселей. Для запуска такого метода требуется начальная точка. Для работы этой техники необходимы два элемента: подобие и пространственная близость. Соседний с исходным пикселем пиксель с аналогичной интенсивностью, вероятно, будет того же типа и будет добавлен в область роста. Одним из недостатков этого метода является то, что он требует ручного выбора начальной точки, что вносит систематическую ошибку и непоследовательность в алгоритм. [74] Этот метод также используется для идентификации диска зрительного нерва. [79]

Подходы на основе моделей используют представление для извлечения сосудов из изображений. Известны три широкие категории моделей, основанных на модели: деформируемые, параметрические и сопоставление с шаблоном. [74] Деформируемые методы используют объекты, которые будут деформированы, чтобы соответствовать контурам объектов на изображении. Параметрический использует геометрические параметры, такие как трубчатое, цилиндрическое или эллипсовидное представление кровеносных сосудов. Классический контур змеи в сочетании с топологической информацией кровеносных сосудов также может быть использован в качестве модельного подхода. [84] Наконец, сопоставление с шаблоном - это использование шаблона, подогнанного процессом стохастической деформации с использованием скрытой марковской моды 1.

Влияние на занятость [ править ]

Автоматизация медицинской диагностики труда (например, количественного определения эритроцитов ) имеет исторический прецедент. [85] глубокое изучение революция 2010s уже произведен AIs , которые являются более точными во многих областях визуальной диагностики , чем радиологи и дерматологи, и этот разрыв будет расти. Некоторые эксперты, в том числе многие врачи, игнорируют влияние ИИ на медицинские специальности. Напротив, многие экономисты и эксперты в области искусственного интеллекта полагают, что такие области, как радиология, будут серьезно нарушены из-за безработицы или снижения заработной платы радиологов; больницам в целом потребуется меньше рентгенологов, и многим радиологам, которые все еще существуют, потребуется существенная переподготовка.Джеффри Хинтон , «крестный отец глубокого обучения», утверждает, что (ввиду вероятного прогресса, ожидаемого в ближайшие пять или десять лет) больницы должны немедленно прекратить обучение рентгенологов, поскольку их трудоемкое и дорогостоящее обучение визуальной диагностике скоро будет в основном устаревшие, что привело к перенасыщению традиционных радиологов. [86] [87] Статья в JAMAутверждает, что патологи и радиологи должны объединиться в одну роль «специалиста по информации», и заявляет, что «Чтобы избежать замены компьютерами, радиологи должны позволить себе вытеснить себя компьютерами». Специалисты по информации будут обучены "байесовской логике, статистике, науке о данных", а также некоторой геномике и биометрии; ручному распознаванию визуальных образов было бы гораздо меньше внимания по сравнению с нынешним обременительным обучением радиологии. [88]

См. Также [ править ]

  • Компьютеризированные системы, используемые в клинических испытаниях
  • Диагностический робот

Ссылки [ править ]

  1. ^ «Компьютерная диагностика: переломный момент для цифровой патологии» . Ассоциация цифровой патологии. 27 апреля 2017.
  2. ^ Oakden-Рейнер, Люк (май 2019). «Возрождение САПР: чем современный ИИ отличается от известного нам САПР?» . Радиология: искусственный интеллект . 1 (3): e180089. DOI : 10.1148 / ryai.2019180089 . ISSN 2638-6100 . 
  3. ^ Птица, RE; Уоллес, TW; Янкаскас, BC (1992). «Анализ онкологических заболеваний, пропущенных при скрининговой маммографии». Радиология . 184 (3): 613–617. DOI : 10,1148 / radiology.184.3.1509041 . PMID 1509041 . 
  4. ^ Бейкер, JA; Розен, Э.Л .; Lo, JY; и другие. (2003). «Компьютерное обнаружение (CAD) в скрининговой маммографии: чувствительность коммерческих CAD-систем для обнаружения архитектурных искажений». Американский журнал рентгенологии . 181 (4): 1083–1088. DOI : 10,2214 / ajr.181.4.1811083 . PMID 14500236 . 
  5. ^ Jang, HJ; Ли, Канзас; Kwon, OJ; и другие. (1996). «Бронхиолоальвеолярная карцинома: очаговая область ослабления матового стекла при КТ тонких срезов как ранний признак». Радиология . 199 (2): 485–488. DOI : 10,1148 / radiology.199.2.8668800 . PMID 8668800 . 
  6. ^ Suzuki, K .; Li, F .; Sone, S .; Дои, К. (2005). «Схема компьютерной диагностики для различения доброкачественных и злокачественных узлов при КТ грудной клетки с низкой дозой с использованием массивной обучающей искусственной нейронной сети». IEEE Transactions по медицинской визуализации . 24 (9): 1138–1150. DOI : 10.1109 / tmi.2005.852048 . PMID 16156352 . S2CID 2690415 .  
  7. ^ Lostumbo, A .; Сузуки, К .; Дахман, AH (2010). «Плоские поражения в КТ-колонографии». Визуализация брюшной полости . 35 (5): 578–583. DOI : 10.1007 / s00261-009-9562-3 . PMID 19633882 . S2CID 13487349 .  
  8. ^ a b c Янасэ Дж, Триантафиллу Э (2019). «Систематический обзор компьютерной диагностики в медицине: прошлое и настоящее». Экспертные системы с приложениями . 138 : 112821. DOI : 10.1016 / j.eswa.2019.112821 .
  9. ^ Shortliffe EH и Buchanan BG (1975). «Модель неточного мышления в медицине». Математические биологические науки . 23 (3–4): 351–379. DOI : 10.1016 / 0025-5564 (75) 90047-4 .
  10. ^ Миллер Р., Попл Jr ОН и Myers JD (1982). «Интернист-I, консультант по экспериментальной компьютерной диагностике общей внутренней медицины». Медицинский журнал Новой Англии . 307 (8): 468–476. DOI : 10.1056 / NEJM198208193070803 . PMID 7048091 . 
  11. ^ Фейгенбаум, Эдвард; МакКордак, Памела (1984). Пятое поколение . Эддисон-Уэсли. С. 1–275. ISBN 978-0451152640.
  12. ^ Ричард М. Карп (1972). «Сводимость среди комбинаторных проблем» (PDF) . В RE Miller; Дж. У. Тэтчер (ред.). Сложность компьютерных вычислений . Нью-Йорк: Пленум. С. 85–103.
  13. Перейти ↑ Doi K (2007). «Компьютерная диагностика в медицинской визуализации: исторический обзор, текущее состояние и будущий потенциал» . Компьютеризированная медицинская визуализация и графика . 31 (4): 198–211. DOI : 10.1016 / j.compmedimag.2007.02.002 . PMC 1955762 . PMID 17349778 .  
  14. ^ Эчегарай, Себастьян; Геверт, Оливье; Шах, Раджеш; Камая, Ая; Луи, Джон; Котари, Нишита; Напель, Сэнди (18 ноября 2015 г.). «Основные образцы радиомики, нечувствительные к сегментации опухоли: метод и пилотное исследование с использованием компьютерных томографов гепатоцеллюлярной карциномы» . Журнал медицинской визуализации . 2 (4): 041011. DOI : 10,1117 / 1.JMI.2.4.041011 . PMC 4650964 . PMID 26587549 .  
  15. ^ Мерфи, К .; van Ginneken, B .; Schilham, AM; и другие. (2009). «Масштабная оценка автоматического обнаружения легочных узелков в КТ грудной клетки с использованием функций локального изображения и классификации k-ближайших соседей». Анализ медицинских изображений . 13 (5): 757–770. DOI : 10.1016 / j.media.2009.07.001 . PMID 19646913 . 
  16. ^ Suzuki, K .; Армато, 3-й, СГ; Li, F .; Sone, S .; Дои, К. (2003). «Массивная обучающая искусственная нейронная сеть (MTANN) для уменьшения количества ложных срабатываний при компьютерном обнаружении узелков в легких при компьютерной томографии с низкой дозой». Med Phys . 30 (7): 1602–1617. Bibcode : 2003MedPh..30.1602S . DOI : 10.1118 / 1.1580485 . PMID 12906178 . 
  17. ^ Чан, HP; Lo, SC; Sahiner, B .; и другие. (1995). «Компьютерное обнаружение маммографических микрокальцификаций: распознавание образов с помощью искусственной нейронной сети». Med Phys . 22 (10): 1555–1567. Bibcode : 1995MedPh..22.1555C . DOI : 10.1118 / 1.597428 . PMID 8551980 . 
  18. ^ Глецос, Мильтиадес; Моджакаку, Ставрула; Мацопулос, Джордж; Никита, Константина; Никита, Александра; Келекис, Димитриос (2003). «Система компьютерной диагностики для характеристики очаговых поражений печени при КТ: разработка и оптимизация нейросетевого классификатора». IEEE Transactions по информационным технологиям в биомедицине . 7 (3): 153–162. DOI : 10.1109 / TITB.2003.813793 . PMID 14518728 . S2CID 18918667 .  
  19. ^ Mougiakakou, Stavroula; Големати, Спайретта; Гусиас, Иоаннис; Николаидес, Эндрю; Никита, Константина (2007). «Компьютерная диагностика атеросклероза сонных артерий на основе статистики ультразвуковых изображений, текстуры законов и нейронных сетей». Ультразвук в медицине и биологии . 33 (1): 26–36. DOI : 10.1016 / j.ultrasmedbio.2006.07.032 . PMID 17189044 . 
  20. ^ Стоитсис, Джон; Валаванис, Иоаннис; Моджакаку, Ставрула; Големати, Спайретта; Никита, Александра; Никита, Константина (2006). «Компьютерная диагностика на основе методов обработки медицинских изображений и искусственного интеллекта». Ядерные инструменты и методы в физических исследованиях Секция A: Ускорители, спектрометры, детекторы и связанное с ними оборудование . 569 (2): 591–595. Bibcode : 2006NIMPA.569..591S . DOI : 10.1016 / j.nima.2006.08.134 .
  21. ^ Chen, S .; Сузуки, К .; Мак-Магон, Х. (2011). «Разработка и оценка компьютерной диагностической схемы для обнаружения узелков в легких на рентгенограммах грудной клетки посредством двухэтапного увеличения узелков с классификацией опорных векторов» . Med Phys . 38 (4): 1844–1858. Bibcode : 2011MedPh..38.1844C . DOI : 10.1118 / 1.3561504 . PMC 3069992 . PMID 21626918 .  
  22. ^ Пападопулос, А .; Fotiadis, DI; Ликас, А. (2005). «Характеристика кластерных микрокальцификаций в оцифрованных маммограммах с использованием нейронных сетей и опорных векторных машин». Artif Intell Med . 34 (2): 141–150. DOI : 10.1016 / j.artmed.2004.10.001 . PMID 15894178 . 
  23. ^ Wollenweber T .; Janke B .; Teichmann A .; Фройнд М. (2007). "Корреляция zwischen histologischem Befund und einem Computer-assistierten Detektionssystem (CAD) für die Mammografie". Geburtsh Frauenheilk . 67 (2): 135–141. DOI : 10,1055 / с-2006-955983 .
  24. ^ Б с д е е Yanase J, Триантафилл E (2019). «Семь ключевых вызовов будущего компьютерной диагностики в медицине». Журнал медицинской информатики . 129 : 413–422. DOI : 10.1016 / j.ijmedinf.2019.06.017 . PMID 31445285 . 
  25. ^ Вадхва, RR; Park, DY; Натович, MR (2018). «Точность компьютерных диагностических инструментов для выявления сопутствующих генетических нарушений». Американский журнал медицинской генетики Часть А . 176 (12): 2704–2709. DOI : 10.1002 / ajmg.a.40651 . PMID 30475443 . S2CID 53758271 .  
  26. ↑ Bron EE, Smits M, Van Der Flier WM, Vrenken H, Barkhof F, Scheltens P, Papma JM, Steketee RM, Orellana CM, Meijboom R и Pinto M (2015). «Стандартизированная оценка алгоритмов компьютерной диагностики деменции на основе структурной МРТ: проблема CAD Dementia» . NeuroImage . 111 : 562–579. DOI : 10.1016 / j.neuroimage.2015.01.048 . PMC 4943029 . PMID 25652394 .  
  27. Перейти ↑ Taylor P, Potts HW (2008). «Компьютерные средства и второе чтение человека как вмешательства в скрининговую маммографию: два систематических обзора для сравнения их влияния на выявление рака и частоту отзыва» (PDF) . Европейский журнал рака . 44 (6): 798–807. DOI : 10.1016 / j.ejca.2008.02.016 . PMID 18353630 .  
  28. ^ Бенджаменс, Стэн; Дхунну, Пранавсингх; Меско, Берталан (2020). «Состояние медицинских устройств и алгоритмов на основе искусственного интеллекта, одобренных FDA: онлайн-база данных» . NPJ Цифровая медицина . 3 : 118. DOI : 10.1038 / s41746-020-00324-0 . PMC 7486909 . PMID 32984550 .  
  29. ↑ Абэ, Ёсиюки; Ханаи, Кузо; Накано, Макико; Окубо, Ясуюки; Хасидзуме, Тошинори; Какизаки, Тору; Накамура, Масато; Ники, Нобору; Эгути, Кендзи (01.01.2005). «Система компьютерной диагностики (CAD) в скрининге рака легких с компьютерной томографией» . Противораковые исследования . 25 (1B): 483–488. ISSN 0250-7005 . PMID 15816616 .  
  30. ^ Ву N, Gamsu G, J Czum, Held В, Тхакур R, G Nicola (март 2006). «Обнаружение небольших легочных узелков с использованием прямой цифровой рентгенографии, архивирования изображений и систем связи». J Thorac Imaging . 21 (1): 27–31. DOI : 10,1097 / 01.rti.0000203638.28511.9b . PMID 16538152 . S2CID 31230950 .  
  31. ^ Гигер, Мэриэллен Лиссак; Дои, Кунио; Мак-Магон, Хибер (1988-03-01). «Анализ особенностей изображения и компьютерная диагностика в цифровой рентгенографии. 3. Автоматическое обнаружение узелков в периферических полях легких». Медицинская физика . 15 (2): 158–166. Bibcode : 1988MedPh..15..158G . DOI : 10.1118 / 1.596247 . ISSN 2473-4209 . PMID 3386584 .  
  32. ^ Гиннекен, Б. Ван; Ромени, Б.М. Тер Хаар; Фиргевер, Массачусетс (2001-12-01). «Компьютерная диагностика в рентгенографии грудной клетки: обследование» . IEEE Transactions по медицинской визуализации . 20 (12): 1228–1241. DOI : 10.1109 / 42.974918 . ISSN 0278-0062 . PMID 11811823 . S2CID 6280485 .   
  33. ^ Коппини, G .; Diciotti, S .; Falchini, M .; Villari, N .; Валли, Г. (2003-12-01). «Нейронные сети для компьютерной диагностики: обнаружение узелков в легких на рентгенограммах грудной клетки». IEEE Transactions по информационным технологиям в биомедицине . 7 (4): 344–357. DOI : 10.1109 / TITB.2003.821313 . ISSN 1089-7771 . PMID 15000360 . S2CID 15121082 .   
  34. ^ Гигер, ML; Bae, KT; Мак-Магон, Х. (1 апреля 1994 г.). «Компьютерное обнаружение легочных узелков на изображениях компьютерной томографии». Следственная радиология . 29 (4): 459–465. DOI : 10.1097 / 00004424-199404000-00013 . ISSN 0020-9996 . PMID 8034453 . S2CID 9800069 .   
  35. ^ Канадзава, К .; Kawata, Y .; Ники, Н .; Satoh, H .; Ohmatsu, H .; Kakinuma, R .; Канеко, М .; Moriyama, N .; Егучи, К. (1998-03-01). «Компьютерная диагностика узелков в легких на основе спиральных компьютерных томографов» . Компьютеризированная медицинская визуализация и графика . 22 (2): 157–167. DOI : 10.1016 / S0895-6111 (98) 00017-2 . ISSN 0895-6111 . PMID 9719856 .  [ постоянная мертвая ссылка ]
  36. ^ Чен, Шэн; Чжун, Сикай; Яо, Липин; Шан, Яньфэн; Судзуки, Кендзи (2016). «Улучшение рентгенограмм грудной клетки, полученных в отделении интенсивной терапии, за счет подавления костной ткани и последовательной обработки». Физика в медицине и биологии . 61 (6): 2283–2301. Bibcode : 2016PMB .... 61.2283C . DOI : 10.1088 / 0031-9155 / 61/6/2283 . PMID 26930386 . [ постоянная мертвая ссылка ]
  37. ^ Chen, S .; Сузуки, К. (01.02.2014). «Отделение костей от рентгеновских снимков грудной клетки с помощью анатомически специфичных множественных ИНС с массивной тренировкой в ​​сочетании с сглаживанием с минимизацией вариаций». IEEE Transactions по медицинской визуализации . 33 (2): 246–257. DOI : 10,1109 / TMI.2013.2284016 . ISSN 0278-0062 . PMID 24132005 . S2CID 922550 .   
  38. ^ Suzuki, K .; Abe, H .; MacMahon, H .; Дои, К. (01.04.2006). «Техника обработки изображений для подавления ребер на рентгенограммах грудной клетки с помощью массивной обучающей искусственной нейронной сети (MTANN)». IEEE Transactions по медицинской визуализации . 25 (4): 406–416. CiteSeerX 10.1.1.589.8748 . DOI : 10,1109 / TMI.2006.871549 . ISSN 0278-0062 . PMID 16608057 . S2CID 17961280 .    
  39. ^ LOOG, M; ВАНГИННЕКЕН, Б; SCHILHAM, А (01.12.2006). «Обучение фильтрам: применение для подавления костных структур по рентгенограммам грудной клетки». Анализ медицинских изображений . 10 (6): 826–840. DOI : 10.1016 / j.media.2006.06.002 . ISSN 1361-8415 . PMID 16859953 .  
  40. ^ Chen, S .; Сузуки, К. (01.02.2013). «Компьютеризированное обнаружение узелков в легких с помощью # x201C; Virtual Dual-Energy # x201D; Радиография» . IEEE Transactions по биомедицинской инженерии . 60 (2): 369–378. DOI : 10.1109 / TBME.2012.2226583 . ISSN 0018-9294 . PMC 4283823 . PMID 23193306 .   
  41. ^ Белл, LTO; Ганди, С. (2018). «Сравнение программ компьютерной диагностики (CAD) для идентификации колоректальных полипов: анализ производительности и чувствительности, текущие ограничения и практические советы для радиологов». Клиническая радиология . 73 (6): 593.e11–593.e18. DOI : 10.1016 / j.crad.2018.02.009 . PMID 29602538 . 
  42. ↑ Судзуки, Кендзи; Ёсида, Хироюки; Наппи, Янне; Дахман, Абрахам Х. (01.10.2006). «Искусственная нейронная сеть с массовым обучением (MTANN) для уменьшения количества ложных срабатываний при компьютерном обнаружении полипов: подавление ректальных трубок». Медицинская физика . 33 (10): 3814–3824. Bibcode : 2006MedPh..33.3814S . DOI : 10.1118 / 1.2349839 . ISSN 2473-4209 . PMID 17089846 .  
  43. ^ Golemati, Spyretta; Никита, Константина (2019). Сердечно-сосудистые вычислительные методологии и клиническое применение . Springer.
  44. ^ Гастуниоти, Аймилия; Макродимитрис, Ставрос; Големати, Спайретта; Кадоглу, Николаос; Ляпис, Христос; Никита, Константина (2014). «Новый компьютеризированный инструмент для стратификации риска атеросклероза сонных артерий с использованием кинематических характеристик артериальной стенки» . Журнал IEEE по биомедицинской и медицинской информатике . 19 (3): 1137–1145. DOI : 10,1109 / JBHI.2014.2329604 . PMID 24951709 . S2CID 5924749 .  
  45. ^ Golemati, Spyretta; Гастуниоти, Аймилия; Никита, Константина (2013). «К новым неинвазивным и недорогим маркерам для прогнозирования инсультов при бессимптомном атеросклерозе сонных артерий: роль анализа ультразвуковых изображений». IEEE Transactions по биомедицинской инженерии . 60 (3): 652–658. DOI : 10.1109 / TBME.2013.2244601 . PMID 23380846 . S2CID 5653986 .  
  46. ^ Golemati, Spyretta; Пателаки, Элени; Гастуниоти, Аймилия; Андредис, Иоаннис; Ляпис, Христос; Никита, Константина (2020). «Паттерны синхронизации движения сонной атероматозной бляшки при ультразвуковом исследовании в B-режиме» . Научные отчеты . 10 (1): 11221. Bibcode : 2020NatSR..1011221G . DOI : 10.1038 / s41598-020-65340-2 . PMC 7343786 . PMID 32641773 .  
  47. ^ Ризи, Ферештех; Ау, Джейсон; Или-Оллила, Хейкки; Големати, Спайретта; Макунайте, Моника; Оркиш, Мацей; Наваб, Насир; Макдональд, Морин; Лайтинен, Тийна Марья; Бехнам, Хамид; Гао, Чжифань; Гастуниоти, Аймилия; Юрконис, Ритис; Vray, Дидье; Лайтинен, Томи; Серусклат, Андре; Никита, Константина; Занд, Гийом (2020). «Продольное движение стенки сонной артерии в ультразвуковой визуализации: согласованный экспертный обзор». Ультразвук в медицине и биологии . 46 (10): 2605–2624. DOI : 10.1016 / j.ultrasmedbio.2020.06.006 . PMID 32709520 . 
  48. ^ Golemati, Spyretta; Гастуниоти, Аймилия; Никита, Константина (2016). «Оценка движения сердечно-сосудистой ткани на основе ультразвукового изображения». Обзоры IEEE по биомедицинской инженерии . 9 : 208–218. DOI : 10,1109 / RBME.2016.2558147 . S2CID 23333131 . 
  49. ^ Гастуниоти, Аймилия; Големати, Спайретта; Стоитсис, Джон; Никита, Константина (2013). «Анализ движения стенки сонной артерии с помощью ультразвука в B-режиме с использованием адаптивного сопоставления блоков: оценка in silico и применение in vivo». Физика в медицине и биологии . 58 (24): 8647–8661. Bibcode : 2013PMB .... 58.8647G . DOI : 10.1088 / 0031-9155 / 58/24/8647 . PMID 24256708 . 
  50. ^ Гастуниоти, Аймилия; Колиас, Василий; Големати, Спайретта; Циапарас, Николаос; Мацаку, Айкатерини; Стоитсис, Джон; Кадоглу, Николаос; Гкекас, Христос; Какисис, Джон; Ляпис, Христос; Каракицос, Петрос; Сарафис, Иоаннис; Ангелидис, Паделис; Никита, Константина (2014). «CAROTID - веб-платформа для оптимального индивидуального ведения пациентов с атеросклерозом». Компьютерные методы и программы в биомедицине . 114 (2): 183–193. DOI : 10.1016 / j.cmpb.2014.02.006 . PMID 24636805 . 
  51. ^ Гольденберг, Роман; Эйлот, Дов; Бегельман, Григорий; Валах, Евгений; Бен-Ишай, Эял; Пелед, Натан (2012). «Компьютерная простая сортировка (CAST) для коронарной КТ-ангиографии (CCTA)» . Международный журнал компьютерной радиологии и хирургии . 7 (6): 819–827. DOI : 10.1007 / s11548-012-0684-7 . ISSN 1861-6410 . PMID 22484719 . S2CID 5627031 .   
  52. ^ Chaplot, S., LM Patnaik и NR Jagannathan, Классификация изображений мозга с использованием магнитного резонанса с использованием вейвлетов в качестве входных данных для поддержки векторной машины и нейронной сети . Обработка и контроль биомедицинских сигналов, 2006. 1 (1): p. 86-92.
  53. ^ Майтра, М. и А. Чаттерджи, Интеллектуальная система, основанная на преобразовании Slantlet, для классификации изображений мозга с помощью магнитного резонанса. Обработка и контроль биомедицинских сигналов, 2006. 1 (4): с. 299-306.
  54. ^ Ван, S .; Ву, В. (2010). «Новый метод классификации изображений мозга с помощью магнитного резонанса на основе адаптивного хаотического PSO» . Прогресс в исследованиях в области электромагнетизма . 109 : 325–343. DOI : 10.2528 / PIER10090105 .
  55. ^ Чжан, Юдун; Ву, Л. (2011). «Магнитно-резонансная классификация изображений мозга с помощью усовершенствованного алгоритма искусственных пчелиных колоний» . Прогресс в исследованиях в области электромагнетизма . 2011 : 65–79. DOI : 10.2528 / PIER11031709 .
  56. ^ а б Падма, А .; Суканеш Р. (2014). «Сегментация и классификация изображений компьютерной томографии мозга с использованием комбинированных вейвлет-статистических текстурных характеристик». Арабский журнал науки и техники . 39 (2): 767–776. DOI : 10.1007 / s13369-013-0649-3 . S2CID 62615810 . 
  57. ^ Чжан, Юдун; Дун, Чжэнчао; Джи, Генлинь (2015). «Эффект паутины в классификации МРТ изображений головного мозга». Письма о распознавании образов . 62 : 14–16. DOI : 10.1016 / j.patrec.2015.04.016 .
  58. ^ Zhang, Y .; Wang, S .; Ji, G .; Донг, З. (2013). «Поиск по генетическим образцам и его применение к классификации изображений мозга» . Математические проблемы инженерии . 2013 : 1–8. DOI : 10.1155 / 2013/580876 .
  59. ^ Das S .; Chowdhury M .; Кунду МК (2013). «Классификация изображений МРТ мозга с использованием многомасштабного геометрического анализа Ripplet» . Прогресс в исследованиях в области электромагнетизма . 137 : 1–17. DOI : 10,2528 / pier13010105 .
  60. ^ Zhang, Y .; Ван, С. (2013). "Система классификатора изображений мозга MR с помощью оптимизации роя частиц и машины опорных векторов ядра" . Научный мировой журнал . 2013 : 130134. дои : 10,1155 / 2013/130134 . PMC 3791634 . PMID 24163610 .  
  61. ^ Kalbkhani H .; Shayesteh MG; Зали-Варгахан Б. (2013). «Надежный алгоритм классификации магнитно-резонансных изображений головного мозга (МРТ) на основе ряда дисперсий GARCH». Обработка и контроль биомедицинских сигналов . 8 (6): 909–919. DOI : 10.1016 / j.bspc.2013.09.001 .
  62. ^ Эль-Дахшан ESA; Mohsen HM; Revett K .; и другие. (2014). «Компьютерная диагностика опухоли головного мозга человека с помощью МРТ: исследование и новый алгоритм». Экспертные системы с приложениями . 41 (11): 5526–5545. DOI : 10.1016 / j.eswa.2014.01.021 .
  63. Перейти ↑ Zhou, Xing-Xing (2015). «Обнаружение патологического мозга при сканировании МРТ на основе вейвлет-энтропии и наивного байесовского классификатора». Биоинформатика и биомедицинская инженерия . Конспект лекций по информатике. 9043 . С. 201–209. DOI : 10.1007 / 978-3-319-16483-0_20 . ISBN 978-3-319-16482-3. Отсутствует или пусто |title=( справка )
  64. ^ Чжан, Юдун; Ван, Шуйхуа; Донг, Чжэнчао (2014). «Классификация болезни Альцгеймера на основе структурной магнитно-резонансной томографии с помощью дерева решений машины опорных векторов» . Прогресс в исследованиях в области электромагнетизма . 144 : 185–191. DOI : 10.2528 / PIER13121310 .
  65. ^ Сигнаевский, Максим; Прастава, Марсель; Фаррелл, Курт; Табиш, Набиль; Болдуин, Елена; Хан, Наталья; Иида, Меган; Колл, Джон; Брайс, Клэр; Пурохит, Душянт; Арутюнян, Ваграм; Макки, Энн; Штейн, Тор; Белый-III, Чарльз; Уокер, Джейми; Ричардсон, Тимоти; Хэнсон, Рассел; Кордон-Кардо, Карлос; Донован, Майкл; Зейне, Джек; Фернандес, Херардо; Crary, Джон (2019). «Искусственный интеллект в невропатологии: оценка таупатии на основе глубокого обучения» . Лабораторные исследования . 99 (7): 1019–1029. DOI : 10.1038 / s41374-019-0202-4 . PMC 7684013 . PMID 30770886 .  
  66. ^ Friston, K .; Poline, JP; Холмс, CJ; Фрит, CD; Frackowiak, RS (1996). «Многомерный анализ исследований активации ПЭТ». Гм. Brain Mapp . 4 (2): 140–151. DOI : 10.1002 / (SICI) 1097-0193 (1996) 4: 2 <140 :: AID-HBM5> 3.0.CO; 2-3 . PMID 20408193 . 
  67. ^ Мартинес-Мурсия, FJ; Górriz, JM; Рамирес, Дж .; Puntonet, CG; Иллан, ИА (2013). «Функциональные карты деятельности, основанные на показателях значимости и независимом компонентном анализе» . Компьютерные методы и программы в биомедицине . 111 (1): 255–268. DOI : 10.1016 / j.cmpb.2013.03.015 . PMC 6701938 . PMID 23660005 .  
  68. ^ Dong, ZC (2015). «Обнаружение субъектов и областей мозга, связанных с болезнью Альцгеймера, с помощью 3D-МРТ-сканирования на основе собственного мозга и машинного обучения» . Границы вычислительной неврологии . 66 (9): 66. DOI : 10,3389 / fncom.2015.00066 . PMC 4451357 . PMID 26082713 .  
  69. ^ Zhang, J .; Yu, C .; Jiang, G .; Liu, W .; Тонг, Л. (2012). «Анализ трехмерной текстуры на МРТ-изображениях болезни Альцгеймера». Визуализация мозга и поведение . 6 (1): 61–69. DOI : 10.1007 / s11682-011-9142-3 . PMID 22101754 . S2CID 10069584 .  
  70. ^ Чупин, Мари; Жерарден, Эмили; Куингне, Реми; Буте, Клэр; Лемье, Луи; Лехериси, Стефан; Бенали, Хабиб; Гарнеро, Линия; Коллио, Оливье (2009). «Полностью автоматическая сегментация и классификация гиппокампа при болезни Альцгеймера и легких когнитивных нарушениях на основе данных ADNI» . Гиппокамп . 19 (6): 579–587. DOI : 10.1002 / hipo.20626 . PMC 2837195 . PMID 19437497 .  
  71. ^ Мартинес-Мурсия, FJ; Горриз, JM; Рамирес, Дж .; Ортис, А. (2016). «Сферическое картирование МРТ изображений для обнаружения болезни Альцгеймера». Текущее исследование болезни Альцгеймера . 13 (5): 575–588. DOI : 10.2174 / 1567205013666160314145158 . hdl : 10481/42543 . PMID 26971941 . 
  72. ^ «Диагностика EXINI» .
  73. ↑ Хуан, Као и Чен (18 июня 2007 г.). «Набор алгоритмов обработки изображений для компьютерной диагностики изображений сканирования костей всего тела в ядерной медицине». IEEE Transactions по ядерной науке . 54 (3): 514–522. Bibcode : 2007ITNS ... 54..514H . DOI : 10.1109 / TNS.2007.897830 . S2CID 20730927 . 
  74. ^ а б в г д Каур, М; Талвар, Р. (2014). «Обзор: извлечение кровеносных сосудов и обнаружение ретинопатии глаза». Международный журнал компьютерных наук и информационных технологий . 5 (6): 7513–7516. S2CID 17460643 . 
  75. ^ a b Tufail, A; Рудисилл, К; Иган, С; Капетанакис, В.В.; Салас-Вега, С; Оуэн, CG; Ли, А; Louw, V; Андерсон, Дж; Liew, G; Болтер, L; Шринивас, S; Ниттала, М; Садда, S; Тейлор, П.; Рудницкая, А.Р. (б. Д.). «Программное обеспечение для автоматизированной оценки изображений диабетической ретинопатии: диагностическая точность и экономическая эффективность по сравнению с оценками людей» . Офтальмология . 124 (3): 343–351. DOI : 10.1016 / j.ophtha.2016.11.014 . PMID 28024825 . 
  76. ^ a b c d e f g Ахмад, А .; Mansoor, AB; Mumtaz, R .; Хан, М .; Мирза, Ш. (01.12.2014). Обработка изображений и классификация при диабетической ретинопатии: обзор . 2014 5-й Европейский семинар по обработке визуальной информации (EUVIP) . С. 1–6. DOI : 10.1109 / EUVIP.2014.7018362 . ISBN 978-1-4799-4572-6. S2CID  16465894 .
  77. ^ Фраз, ММ; Barman, SA; Реманьино, П .; Hoppe, A .; Басит, А .; Uyyanonvara, B .; Рудницкая, АР; Оуэн, CG (2012-11-01). «Подход к локализации кровеносных сосудов сетчатки с использованием плоскостей бит и определения центральной линии». Comput. Методы Прог. Биомед . 108 (2): 600–616. DOI : 10.1016 / j.cmpb.2011.08.009 . ISSN 0169-2607 . PMID 21963241 .  
  78. ^ Прия, R; Аруна, П. (2011). «Обзор автоматизированной диагностики диабетической ретинопатии с использованием машины опорных векторов». Международный журнал прикладных инженерных исследований, Dindigul . 1 (4): 844–862.
  79. ^ a b c d e Бирадар, S; Джадхав, А.С. (2015). «Обзор сегментации кровеносных сосудов и сегментации диска зрительного нерва на изображениях сетчатки» (PDF) . Международный журнал перспективных исследований в области компьютерной и коммуникационной техники . 4 (5): 21–26.
  80. ^ Салех, Марван Д .; Эсваран, К. (01.10.2012). «Автоматизированная система поддержки принятия решений при нераспространении диабетической ретинопатии на основе обнаружения МА и НА». Comput. Методы Прог. Биомед . 108 (1): 186–196. DOI : 10.1016 / j.cmpb.2012.03.004 . ISSN 0169-2607 . PMID 22551841 .  
  81. ^ a b Antal, B .; Хайду, А. (2012-06-01). «Система на основе ансамбля для обнаружения микроаневризмы и классификации диабетической ретинопатии». IEEE Transactions по биомедицинской инженерии . 59 (6): 1720–1726. arXiv : 1410,8577 . DOI : 10.1109 / TBME.2012.2193126 . ISSN 0018-9294 . PMID 22481810 . S2CID 16382245 .   
  82. ^ Патвари, Манджири; Манза, Рамеш; Раджпут, Йогеш; Сасваде, Манодж; Дешпанде, Неха (01.10.2013). «Обзор обнаружения и классификации поражений диабетической ретинопатии с использованием методов обработки изображений» . ResearchGate . 2 (10).
  83. ^ a b Администратор (2015-05-20). «Обзор: Выявление диабетической ретинопатии с использованием SVM и MDA» . Международный журнал компьютерных приложений . 117 (20): 1–3. Bibcode : 2015IJCA..117t ... 1S . DOI : 10.5120 / 20667-2485 .
  84. ^ Espona, L .; Каррейра, MJ; Ортега, М .; Пенедо, MG (2007-06-06). Марти, Жанна; Бенеди, Хосе Мигель; Мендонса, Ана Мария; Серрат, Жанна (ред.). Распознавание образов и анализ изображений . Конспект лекций по информатике. Springer Berlin Heidelberg. С. 178–185. DOI : 10.1007 / 978-3-540-72849-8_23 . ISBN 9783540728481.
  85. ^ Пайва, Омир Антунес; Преведелло, Лучано М. (октябрь 2017 г.). «Возможное влияние искусственного интеллекта в радиологии» . Radiologia Brasileira . 50 (5): V – VI. DOI : 10.1590 / 0100-3984.2017.50.5e1 . PMC 5656066 . PMID 29085178 .  
  86. ↑ Мукерджи, Сиддхартха (27 марта 2017 г.). "AI против MD" Житель Нью-Йорка . Проверено 3 февраля 2018 .
  87. ^ «Почему сканирование-чтение искусственного интеллекта - плохая новость для радиологов» . Экономист . 29 ноября 2017 . Проверено 3 февраля 2018 .
  88. ^ Джа, Саурабх; Эрик Дж. Тополь (13 декабря 2016 г.). «Адаптация к искусственному интеллекту». ДЖАМА . 316 (22): 2353–2354. DOI : 10,1001 / jama.2016.17438 . PMID 27898975 . 

Внешние ссылки [ править ]

  • D igital R etinal Я маги для V Essel Е xtraction (ПРИВОД)
  • ST ructured A НАЛИЗ на RE Tina (STARE)
  • База данных изображений глазного дна высокого разрешения (HRF)