stringtranslate.com

Компьютерная диагностика

Компьютерное обнаружение ( CADe ), также называемое компьютерной диагностикой ( CADx ), представляет собой системы, которые помогают врачам интерпретировать медицинские изображения . Методы визуализации при рентгенографии , МРТ , эндоскопии и ультразвуковой диагностике дают большой объем информации, которую радиолог или другой медицинский работник должен всесторонне проанализировать и оценить за короткое время. Системы CAD обрабатывают цифровые изображения или видео для получения типичных изображений и выделения заметных участков, таких как возможные заболевания, чтобы предоставить данные для поддержки решения, принимаемого профессионалом.

CAD также имеет потенциальные будущие применения в цифровой патологии с появлением алгоритмов визуализации всего слайда и машинного обучения . До сих пор его применение ограничивалось количественной оценкой иммуноокрашивания , но также исследуется стандартное окрашивание H&E . [1]

CAD — это междисциплинарная технология, сочетающая элементы искусственного интеллекта и компьютерного зрения с обработкой радиологических и патологоанатомических изображений. Типичным применением является обнаружение опухоли. Например, некоторые больницы используют CAD для профилактических медицинских осмотров при маммографии (диагностике рака молочной железы), обнаружении полипов при колоноскопии и раке легких .

Системы компьютерного обнаружения (CADe) обычно ограничиваются маркировкой заметных структур и участков. Системы компьютерной диагностики (CADx) оценивают заметные структуры. Например, при маммографии CAD выявляет скопления микрокальцинатов и гиперплотные структуры в мягких тканях. Это позволяет врачу-рентгенологу сделать выводы о состоянии патологии. Другим применением является CADq, который количественно определяет, например , размер опухоли или поведение опухоли при поглощении контрастного вещества. Простая компьютерная сортировка (CAST) — это еще один тип CAD, который выполняет полностью автоматическую первоначальную интерпретацию и сортировку исследований по некоторым значимым категориям ( например , отрицательным и положительным). CAST особенно применим в экстренной диагностической визуализации, когда требуется быстрая диагностика критического, опасного для жизни состояния.

Хотя CAD используется в клинической практике уже более 40 лет, CAD обычно не заменяет врача или другого специалиста, а скорее играет вспомогательную роль. Профессионал (обычно рентгенолог) обычно несет ответственность за окончательную интерпретацию медицинского изображения. [2] Однако целью некоторых CAD-систем является обнаружение самых ранних признаков аномалий у пациентов, которые специалисты-специалисты не могут обнаружить, например, при диабетической ретинопатии, архитектурных искажениях на маммограммах, [3] [4] узлах по типу «матового стекла» на торакальной КТ, [ 5] [6] и неполипоидные («плоские») поражения при КТ-колонографии. [7]

Темы

Краткая история

В конце 1950-х годов, с появлением современных компьютеров, исследователи в различных областях начали изучать возможность создания систем компьютерной медицинской диагностики (САПР). [8] Эти первые CAD-системы использовали блок-схемы, статистическое сопоставление с образцом, теорию вероятностей или базы знаний для управления процессом принятия решений. [9]

С начала 1970-х годов некоторые из самых ранних CAD-систем в медицине, которые в медицине часто называли « экспертными системами », были разработаны и использовались в основном в образовательных целях. Экспертная система MYCIN , [10] экспертная система « Интернист -I» [11] и CADUCEUS (экспертная система) [12] являются некоторыми из таких примеров.

В начале ранних разработок исследователи стремились создать полностью автоматизированные CAD/экспертные системы. Ожидания этих ученых относительно того, на что способны компьютеры, были нереалистично оптимистичными. Однако после революционной статьи Ричарда М. Карпа «Сводимость среди комбинаторных задач» [13] стало ясно , что существуют ограничения, но также и потенциальные возможности при разработке алгоритмов для решения групп важных вычислительных задач. [9]

В результате нового понимания различных алгоритмических ограничений, обнаруженных Карпом в начале 1970-х годов, исследователи начали осознавать серьезные ограничения, которыми обладают CAD и экспертные системы в медицине. [9] Признание этих ограничений побудило исследователей разработать новые виды CAD-систем, используя передовые подходы. Таким образом, к концу 1980-х и началу 1990-х годов акцент сместился на использование подходов интеллектуального анализа данных с целью использования более совершенных и гибких САПР.

В 1998 году Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) одобрило первую коммерческую CAD-систему для маммографии — систему ImageChecker. В последующие годы одобрение FDA также получили несколько коммерческих CAD-систем для анализа маммографии, МРТ молочной железы, медицинской визуализации легких, толстой кишки и сердца. В настоящее время системы CAD используются в качестве диагностического средства, позволяющего врачам принимать более эффективные медицинские решения. [14]

Методология

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

1. Предварительная обработка

2. Сегментация по

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

4. Оценка/классификация. После анализа структуры каждый ROI оценивается индивидуально (балльная оценка) на вероятность ТП. Следующие процедуры являются примерами алгоритмов классификации.

Если обнаруженные структуры достигли определенного порогового уровня, они выделяются на изображении для врача-рентгенолога. В зависимости от системы CAD эти маркировки могут сохраняться постоянно или временно. Преимущество последнего заключается в том, что сохраняются только те отметки, которые одобрены рентгенологом. Ложные попадания не следует сохранять, так как в этом случае обследование в более поздние сроки становится затруднительным.

Чувствительность и специфичность

Системы CAD стремятся выделить подозрительные структуры. Сегодняшние CAD-системы не могут обнаружить 100% патологических изменений. Вероятность попадания ( чувствительность ) может достигать 90% в зависимости от системы и приложения. [24] Правильное попадание называется «истинно положительным» (TP), а неправильная маркировка здоровых участков — «ложным положительным» (FP). Чем меньше указано ФП, тем выше специфичность . Низкая специфичность снижает приемлемость системы САПР, поскольку пользователю приходится выявлять все эти неправильные совпадения. Частота FP при обзорных исследованиях легких (CAD Chest) может быть снижена до 2 на исследование. В других сегментах ( например , КТ-обследование легких) показатель FP может составлять 25 и более. В системах CAST показатель FP должен быть чрезвычайно низким (менее 1 на исследование), чтобы обеспечить значимую сортировку исследований .

Абсолютный уровень обнаружения

Абсолютная частота обнаружения рентгенолога является альтернативным показателем чувствительности и специфичности. В целом, результаты клинических исследований относительно чувствительности, специфичности и абсолютной скорости обнаружения могут заметно различаться. Каждый результат исследования зависит от его основных условий и должен оцениваться исходя из этих условий. Сильное влияние оказывают следующие факты:

Проблемы, с которыми сегодня сталкиваются САПР в медицине

Несмотря на многочисленные достижения САПР с момента появления компьютеров, существуют определенные проблемы, с которыми САПР сталкиваются и сегодня. [25]

Некоторые проблемы связаны с различными алгоритмическими ограничениями в процедурах системы САПР, включая сбор входных данных, предварительную обработку, обработку и оценку системы. Алгоритмы обычно разрабатываются для выбора единственного вероятного диагноза, что обеспечивает неоптимальные результаты для пациентов с множественными сопутствующими заболеваниями. [26] Сегодня исходные данные для CAD в основном поступают из электронных медицинских карт (EHR). Эффективное проектирование, внедрение и анализ EHR является основной необходимостью в любой системе САПР. [25]

Из-за массовой доступности данных и необходимости их анализа большие данные также являются одной из самых больших проблем, с которыми сегодня сталкиваются CAD-системы. Растущее количество данных о пациентах является серьезной проблемой. Часто данные пациентов сложны и могут быть полуструктурированными или неструктурированными . Это требует высокоразвитых подходов к их хранению, извлечению и анализу в разумные сроки. [25]

На этапе предварительной обработки входные данные необходимо нормализовать. Нормализация входных данных включает в себя шумоподавление и фильтрацию. Обработка может содержать несколько подэтапов в зависимости от приложений. Основными тремя этапами медицинской визуализации являются сегментация, извлечение /выбор признаков и классификация. Эти подэтапы требуют передовых методов анализа входных данных с меньшими вычислительными затратами. Хотя много усилий было потрачено на создание инновационных методов для этих процедур в CAD-системах, до сих пор не существует единственного лучшего алгоритма для каждого шага. Крайне важно продолжать исследования по созданию инновационных алгоритмов для всех аспектов CAD-систем. [25]

Также отсутствуют стандартизированные меры оценки для систем САПР. [25] Этот факт может затруднить получение одобрения FDA на коммерческое использование. Более того, хотя многие положительные разработки CAD-систем уже доказаны, исследования по валидации их алгоритмов для клинической практики практически не получили подтверждения. [27]

Другие проблемы связаны с проблемой внедрения новых CAD-систем в клиническую практику для медицинских работников. Некоторые отрицательные исследования могут препятствовать использованию CAD. Кроме того, отсутствие подготовки медицинских работников по использованию CAD иногда приводит к неправильной интерпретации результатов системы. Более подробно эти проблемы описаны в [25] .

Приложения

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

CAD используется для диагностики рака молочной железы , рака легких , рака толстой кишки , рака простаты , метастазов в костях , ишемической болезни сердца , врожденного порока сердца , обнаружения патологий головного мозга, обнаружения переломов, болезни Альцгеймера и диабетической ретинопатии .

Рак молочной железы

CAD используется при скрининговой маммографии (рентгеновском исследовании женской груди). Скрининговая маммография используется для раннего выявления рака молочной железы. Системы CAD часто используются, чтобы помочь классифицировать опухоль как злокачественную или доброкачественную. CAD особенно распространен в США и Нидерландах и используется в дополнение к оценке состояния человека, обычно рентгенологом . Первая система CAD для маммографии была разработана в рамках исследовательского проекта Чикагского университета. Сегодня его коммерчески предлагают iCAD и Hologic . Однако, несмотря на высокую чувствительность, CAD-системы, как правило, имеют очень низкую специфичность, и преимущества использования CAD остаются неопределенными. Систематический обзор 2008 года по компьютерному выявлению при скрининговой маммографии пришел к выводу, что ИБС не оказывает существенного влияния на частоту выявления рака, но нежелательно увеличивает частоту вспоминаний ( т. е . частоту ложноположительных результатов). Тем не менее, он отметил значительную неоднородность влияния на скорость запоминания в разных исследованиях. [28]

Последние достижения в области машинного обучения , глубокого обучения и технологий искусственного интеллекта позволили разработать CAD-системы, которые, как клинически доказано, помогают рентгенологам решать проблемы считывания маммографических изображений за счет повышения показателей выявления рака, уменьшения ложноположительных результатов и ненужных отзывов пациентов, в то же время значительно сокращается время чтения. [29]

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

Рак легких (бронхиальная карцинома)

При диагностике рака легких компьютерная томография со специальными трехмерными CAD-системами считается подходящим вторым мнением. [30] При этом подготавливается и анализируется набор объемных данных, содержащий до 3000 отдельных изображений. Выявляются образования круглой формы ( рак легкого , метастазы и доброкачественные изменения) размером от 1 мм. Сегодня все известные производители медицинских систем предлагают соответствующие решения.

Раннее выявление рака легких имеет большое значение. Однако случайное выявление рака легких на ранней стадии (1 стадия) на рентгеновском снимке затруднено. Округлые поражения диаметром 5–10 мм легко не заметить. [31] Регулярное применение CAD Chest Systems может помочь обнаружить небольшие изменения без первоначальных подозрений. Ряд исследователей разработали CAD-системы для обнаружения узлов в легких (круглые образования размером менее 30 мм) при рентгенографии грудной клетки [32] [33] [34] и КТ [35] [36] и CAD-системы для диагностики ( например , различения между злокачественными и доброкачественными) узелков легких на КТ. Виртуальная двухэнергетическая визуализация [37] [38] [39] [40] улучшила производительность CAD-систем при рентгенографии грудной клетки. [41]

Рак толстой кишки

CAD доступен для обнаружения колоректальных полипов в толстой кишке при КТ-колонографии. [42] [43] Полипы — это небольшие разрастания, возникающие на внутренней оболочке толстой кишки. CAD обнаруживает полипы, определяя их характерную форму, напоминающую шишку. Чтобы избежать чрезмерных ложноположительных результатов, CAD игнорирует нормальную стенку толстой кишки, включая гаустральные складки.

Сердечно-сосудистые заболевания

Современные методы сердечно-сосудистых вычислений, сердечно-сосудистой информатики, а также математического и вычислительного моделирования могут стать ценными инструментами для принятия клинических решений. [44] CAD-системы с новыми маркерами на основе анализа изображений в качестве входных данных могут помочь сосудистым врачам с большей уверенностью принимать решения о наиболее подходящем лечении пациентов с сердечно-сосудистыми заболеваниями .

Надежное раннее выявление и стратификация риска атеросклероза сонных артерий имеют первостепенное значение для прогнозирования инсультов у бессимптомных пациентов. [45] С этой целью были предложены различные неинвазивные и недорогие маркеры, использующие функции ультразвукового изображения. [46] Они сочетают в себе характеристики эхогенности , текстуры и движения [47] [48] [49] [50] для помощи в принятии клинических решений в целях улучшения прогнозирования, оценки и управления сердечно-сосудистым риском. [51]

CAD доступен для автоматического обнаружения значительных (вызывающих стеноз более 50% ) ишемической болезни сердца при исследованиях коронарной КТ-ангиографии (CCTA). [52]

Врожденный порок сердца

Раннее выявление патологии может стать решающим фактором между жизнью и смертью. CADe можно выполнить путем аускультации с помощью цифрового стетоскопа и специального программного обеспечения, также известного как компьютерная аускультация . Шумы, нерегулярные сердечные тоны, вызванные прохождением крови через поврежденное сердце, можно обнаружить с высокой чувствительностью и специфичностью. Компьютерная аускультация чувствительна к внешнему шуму и звукам тела и для точного функционирования требует почти бесшумной обстановки.

Патологическое обнаружение мозга (PBD)

Чаплот и др. был первым, кто использовал коэффициенты дискретного вейвлет-преобразования (DWT) для обнаружения патологического мозга. [53] Майтра и Чаттерджи использовали преобразование Слантлета, которое является улучшенной версией DWT. Их вектор признаков каждого изображения создается путем рассмотрения величин выходных данных преобразования Slantlet, соответствующих шести пространственным позициям, выбранным в соответствии с определенной логикой. [54]

В 2010 году Ван и Ву представили метод, основанный на прямой нейронной сети (FNN), позволяющий классифицировать данное МРТ-изображение мозга как нормальное или ненормальное. Параметры FNN были оптимизированы с помощью адаптивной оптимизации роя хаотических частиц (ACPSO). Результаты более 160 изображений показали, что точность классификации составила 98,75%. [55]

В 2011 году Ву и Ван предложили использовать DWT для извлечения признаков, PCA для уменьшения признаков и FNN с масштабированной хаотичной искусственной пчелиной семьей (SCABC) в качестве классификатора. [56]

В 2013 году Сарита и др. были первыми, кто применил вейвлет-энтропию (WE) для обнаружения патологий мозга. Сарита также предложила использовать паутину. [57] Позже Чжан и др. оказалось, что удаление паутинных участков не повлияло на производительность. [58] Метод поиска генетических закономерностей был применен для выявления аномального мозга среди нормального контроля. Точность классификации составила 95,188%. [59] Дас и др. предложил использовать преобразование Риплета. [60] Чжан и др. предложил использовать оптимизацию роя частиц (PSO). [61] Калбхани и др. предложил использовать модель GARCH. [62]

В 2014 году Эль-Дахшан и др. предложил использовать нейронную сеть с импульсной связью. [63]

В 2015 году Чжоу и др. предложил применить наивный классификатор Байеса для обнаружения патологий мозга. [64]

Болезнь Альцгеймера

CAD можно использовать для выявления субъектов с болезнью Альцгеймера и легкими когнитивными нарушениями среди здоровых пожилых людей.

В 2014 году Падма и др . использовали комбинированные характеристики вейвлет-статистической текстуры для сегментации и классификации срезов доброкачественных и злокачественных опухолей AD. [57] Чжан и др. Обнаруженное дерево решений машины опорных векторов ядра имело точность классификации 80% со средним временем вычисления 0,022 с для каждой классификации изображений. [65]

В 2019 году Сигнаевский и др . впервые сообщили о обученной полностью сверточной сети (FCN) для обнаружения и количественной оценки нейрофибриллярных клубков (NFT) при болезни Альцгеймера и ряде других тауопатий. Обученный FCN достиг высокой точности и отзыва при простой семантической сегментации цифрового изображения всего слайда (WSI), правильно идентифицируя объекты NFT с использованием модели SegNet, обученной в течение 200 эпох. FCN достиг 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 с различными тауопатиями привела к тому, что запоминаемость , точность и показатель F1 составили 0,92, 0,72 и 0,81 соответственно. [66]

Собственный мозг — это новая функция мозга, которая может помочь обнаружить болезнь Альцгеймера на основе анализа главных компонентов [67] или разложения анализа независимых компонентов . [68] Было показано, что SVM с полиномиальным ядром обеспечивает хорошую точность. Полиномиальный KSVM работает лучше, чем линейный SVM и SVM с ядром RBF. [69] Другие подходы с достойными результатами включают использование текстурного анализа, [70] морфологических признаков, [71] или статистических признаков высокого порядка [72].

Ядерная медицина

CADx доступен для изображений ядерной медицины. Существуют коммерческие системы CADx для диагностики костных метастазов при сканировании костей всего тела и ишемической болезни сердца на изображениях перфузии миокарда. [73]

Компьютерная автоматическая система обнаружения поражений, обладающая высокой чувствительностью и приемлемой частотой обнаружения ложных поражений, оказалась полезной и, вероятно, в будущем сможет помочь врачам ядерной медицины выявлять возможные поражения костей. [74]

Диабетическая ретинопатия

Диабетическая ретинопатия — заболевание сетчатки, которое диагностируется преимущественно на основании изображений глазного дна. Пациенты с диабетом в промышленно развитых странах обычно проходят регулярный скрининг на наличие этого заболевания. Визуализация используется для распознавания ранних признаков аномальных кровеносных сосудов сетчатки. Ручной анализ этих изображений может занять много времени и быть ненадежным. [75] [76] CAD использовался для повышения точности, чувствительности и специфичности метода автоматического обнаружения. Использование некоторых систем САПР для замены грейдеров-людей может быть безопасным и экономически эффективным. [76]

Предварительная обработка изображений, извлечение и классификация признаков — два основных этапа этих алгоритмов САПР. [77]

Методы предварительной обработки

Нормализация изображения минимизирует вариации по всему изображению. Сообщалось, что изменения интенсивности в областях между периферией и центральной макулярной областью глаза приводят к неточности сегментации сосудов. [78] Согласно обзору 2014 года, этот метод использовался наиболее часто и фигурировал в 11 из 40 недавно (с 2011 года) опубликованных первичных исследований. [77]

Образец изображения выравнивания гистограммы. Слева: нормальное фундоскопическое изображение в оттенках серого. Справа: обработка выравнивания после гистограммы. [79]

Выравнивание гистограммы полезно для повышения контрастности изображения. [80] Этот метод используется для увеличения локального контраста. В конце обработки темные области входного изображения станут ярче, что значительно увеличит контраст между элементами, присутствующими в этой области. С другой стороны, более яркие области входного изображения останутся яркими или уменьшится по яркости, чтобы сравняться с другими областями изображения. Помимо сегментации сосудов, с помощью этого метода предварительной обработки можно дополнительно выделить другие особенности, связанные с диабетической ретинопатией. Микроаневризмы и кровоизлияния представляют собой очаги красного цвета, тогда как экссудаты представляют собой желтые пятна. Увеличение контраста между этими двумя группами позволяет лучше визуализировать поражения на изображениях. Обзор 2014 года показал, что с помощью этого метода 10 из 14 недавно (с 2011 года) опубликовали первичные исследования. [77]

Фильтрация зеленых каналов — еще один метод, который полезен для дифференциации поражений, а не сосудов. Этот метод важен, поскольку он обеспечивает максимальный контраст между поражениями, связанными с диабетической ретинопатией. [81] Микроаневризмы и кровоизлияния представляют собой красные образования, которые кажутся темными после применения фильтрации зеленых каналов. Напротив, экссудаты, которые на обычном изображении кажутся желтыми, после зеленой фильтрации превращаются в ярко-белые пятна. Согласно обзору 2014 года, этот метод чаще всего используется: за последние три года он появился в 27 из 40 опубликованных статей. [77] Кроме того, фильтрация зеленого канала может использоваться для обнаружения центра диска зрительного нерва в сочетании с системой двойного окна. [ нужна цитата ]

Коррекция неравномерного освещения — это метод, который корректирует неравномерное освещение на глазном изображении. Неравномерное освещение может быть потенциальной ошибкой автоматического обнаружения диабетической ретинопатии из-за изменений статистических характеристик изображения. [77] Эти изменения могут повлиять на последующую обработку, например на извлечение признаков, и не заметны для человека. Коррекция неравномерной освещенности (f') может быть достигнута путем изменения интенсивности пикселей, используя известную исходную интенсивность пикселей (f) и средние интенсивности локальных (λ) и желаемых пикселей (μ) (см. формулу ниже). [82] Затем применяется преобразование Вальтера-Клейна для достижения равномерного освещения. [82] Этот метод является наименее используемым методом предварительной обработки в обзоре 2014 года.

Морфологические операции — второй наименее используемый метод предварительной обработки в обзоре 2014 года. [77] Основная цель этого метода — обеспечить усиление контраста, особенно в более темных областях по сравнению с фоном.

Извлечение признаков и классификации

После предварительной обработки изображения глазного дна изображение будет дополнительно проанализировано с использованием различных вычислительных методов. Однако современная литература согласилась с тем, что некоторые методы используются чаще, чем другие, во время анализа сегментации сосудов. К этим методам относятся SVM, многомасштабный подход, отслеживание судов, подход к расширению региона и подходы, основанные на моделях.

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

Машина опорных векторов на сегодняшний день является наиболее часто используемым классификатором при сегментации сосудов (до 90% случаев). [ нужна цитация ] SVM — это модель обучения с учителем, которая принадлежит 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 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 на новых изображениях можно выполнить аналогичным образом, используя опорные векторы. Сочетание с другими методами предварительной обработки, такими как фильтрация зеленых каналов, значительно повышает точность обнаружения аномалий кровеносных сосудов. [77] Некоторые полезные свойства SVM включают [83]

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 крупных сосудов. Таким образом, одним из преимуществ использования этого метода является повышенная аналитическая скорость. [75] Кроме того, этот подход можно использовать с 3D-изображениями. Поверхностное представление представляет собой поверхность, нормальную к кривизне сосудов, что позволяет обнаруживать аномалии на поверхности сосудов. [ нужна цитата ]

Отслеживание сосудов — это способность алгоритма обнаруживать «осевую линию» сосудов. Эти осевые линии являются максимальным пиком кривизны сосуда. Центры сосудов можно найти, используя информацию о направлении, предоставляемую фильтром Гаусса. [ нужна цитация ] Подобные подходы, которые используют концепцию осевой линии, основаны на скелете и дифференциальной геометрии. [75]

Подход выращивания региона — это метод обнаружения соседних пикселей, имеющих сходство. Для запуска такого метода необходима начальная точка. Для работы этой техники необходимы два элемента: сходство и пространственная близость. Соседний с исходным пикселем с аналогичной интенсивностью, скорее всего, будет того же типа и будет добавлен в растущую область. Одним из недостатков этого метода является то, что он требует ручного выбора исходной точки, что вносит предвзятость и несогласованность в алгоритм. [75] Этот метод также используется для идентификации оптического диска. [ нужна цитата ]

Подходы , основанные на моделях, используют представление для извлечения сосудов из изображений. Известны три широкие категории моделей на основе: деформируемые, параметрические и сопоставление шаблонов. [75] Деформируемые методы используют объекты, которые будут деформироваться, чтобы соответствовать контурам объектов на изображении. Параметрический использует геометрические параметры, такие как трубчатое, цилиндрическое или эллипсоидное представление кровеносных сосудов. Классический контур змеи в сочетании с топологической информацией кровеносных сосудов также может использоваться в качестве подхода, основанного на модели. [84] Наконец, сопоставление шаблонов — это использование шаблона, подобранного с помощью процесса стохастической деформации с использованием скрытого марковского режима 1.

Влияние на занятость

Автоматизация медицинского диагностического труда (например, количественного определения эритроцитов ) имеет исторический прецедент. [85] Революция глубокого обучения 2010-х годов уже привела к появлению ИИ, которые во многих областях визуальной диагностики более точны, чем рентгенологи и дерматологи, и ожидается, что этот разрыв будет расти. Некоторые эксперты, в том числе многие врачи, пренебрежительно относятся к влиянию ИИ на медицинские специальности. Напротив, многие экономисты и эксперты по искусственному интеллекту полагают, что такие области, как радиология, будут массово разрушены из-за безработицы или снижения заработной платы радиологов; больницам в целом понадобится меньше радиологов, а многим из оставшихся радиологов потребуется существенная переподготовка. Джеффри Хинтон , «Крестный отец глубокого обучения», утверждает, что (принимая во внимание вероятные достижения, ожидаемые в ближайшие пять или десять лет) больницы должны немедленно прекратить подготовку рентгенологов, поскольку их трудоемкое и дорогостоящее обучение визуальной диагностике вскоре будет прекращено. в основном устаревшие, что приводит к перенасыщению традиционных рентгенологов. [86] [87] В статье в JAMA утверждается, что патологи и рентгенологи должны объединиться в единую роль «специалиста по информации», и утверждается, что «чтобы избежать замены компьютерами, радиологи должны позволить компьютерам вытеснить себя». Информационные специалисты будут обучены «байесовской логике, статистике, науке о данных», а также некоторым геномике и биометрии; ручное визуальное распознавание образов будет значительно уменьшено по сравнению с нынешним обременительным обучением радиологии. [88]

Смотрите также

Рекомендации

  1. ^ «Компьютерная диагностика: переломный момент для цифровой патологии». Ассоциация цифровой патологии. 27 апреля 2017 г.
  2. ↑ Окден-Рейнер, Люк (май 2019 г.). «Возрождение САПР: чем современный искусственный интеллект отличается от известных нам САПР?». Радиология: искусственный интеллект . 1 (3): e180089. дои : 10.1148/ryai.2019180089. ISSN  2638-6100. ПМК 8017402 . ПМИД  33937793. 
  3. ^ Берд, RE; Уоллес, ТВ; Янкаскас, Британская Колумбия (1992). «Анализ раковых заболеваний, пропущенных при скрининговой маммографии». Радиология . 184 (3): 613–617. doi : 10.1148/radiology.184.3.1509041. ПМИД  1509041.
  4. ^ Бейкер, Дж.А.; Розен, Эль; Ло, JY; и другие. (2003). «Компьютерное обнаружение (CAD) в скрининговой маммографии: чувствительность коммерческих CAD-систем к обнаружению архитектурных искажений». Американский журнал рентгенологии . 181 (4): 1083–1088. дои : 10.2214/ajr.181.4.1811083. ПМИД  14500236.
  5. ^ Джанг, HJ; Ли, Канзас; Квон, О.Дж.; и другие. (1996). «Бронхиолоальвеолярная карцинома: очаг затухания по принципу «матового стекла» на КТ тонкого среза как ранний признак». Радиология . 199 (2): 485–488. doi : 10.1148/radiology.199.2.8668800. ПМИД  8668800.
  6. ^ Сузуки, К.; Ли, Ф.; Соне, С.; Дой, К. (2005). «Компьютерная диагностическая схема для различия доброкачественных и злокачественных узлов при низкодозной КТ грудной клетки с использованием массивной обучающей искусственной нейронной сети». Транзакции IEEE по медицинской визуализации . 24 (9): 1138–1150. дои : 10.1109/tmi.2005.852048. PMID  16156352. S2CID  2690415.
  7. ^ Лостумбо, А.; Сузуки, К.; Дахман, АХ (2010). «Плоские поражения в КТ-колонографии». Визуализация брюшной полости . 35 (5): 578–583. дои : 10.1007/s00261-009-9562-3. PMID  19633882. S2CID  13487349.
  8. ^ Леа, Эндрю С. (2023). Оцифровка диагностики: медицина, разум и машины в Америке двадцатого века . Издательство Университета Джонса Хопкинса. стр. 1–256. ISBN 978-1421446813.
  9. ^ abc Янасэ Дж., Триантафиллу Э. (2019). «Систематический обзор компьютерной диагностики в медицине: прошлые и настоящие разработки». Экспертные системы с приложениями . 138 : 112821. doi : 10.1016/j.eswa.2019.112821. S2CID  199019309.
  10. ^ Шортлифф Э.Х. и Бьюкенен Б.Г. (1975). «Модель неточного рассуждения в медицине». Математические биологические науки . 23 (3–4): 351–379. дои : 10.1016/0025-5564(75)90047-4. S2CID  118063112.
  11. ^ Миллер Р.А., Попл-младший HE и Майерс JD (1982). «Интернист-И, экспериментальный консультант по компьютерной диагностике внутренних болезней». Медицинский журнал Новой Англии . 307 (8): 468–476. дои : 10.1056/NEJM198208193070803. ПМИД  7048091.
  12. ^ Фейгенбаум, Эдвард; МакКордак, Памела (1984). Пятое поколение . Аддисон-Уэсли. стр. 1–275. ISBN 978-0451152640.
  13. ^ Ричард М. Карп (1972). «Сводимость среди комбинаторных задач» (PDF) . В Р.Э. Миллере; Дж. Тэтчер (ред.). Сложность компьютерных вычислений . Нью-Йорк: Пленум. стр. 85–103. Архивировано из оригинала (PDF) 29 июня 2011 г. Проверено 14 августа 2019 г.
  14. ^ Дой К (2007). «Компьютерная диагностика в медицинской визуализации: исторический обзор, текущий статус и будущий потенциал». Компьютеризированная медицинская визуализация и графика . 31 (4): 198–211. doi : 10.1016/j.compmedimag.2007.02.002. ЧВК 1955762 . ПМИД  17349778. 
  15. ^ Эчегарай, Себастьян; Геварт, Оливье; Шах, Раджеш; Камая, Ая; Луи, Джон; Котари, Нишита; Нейпель, Сэнди (18 ноября 2015 г.). «Образцы керна для выявления радиомикротических признаков, нечувствительных к сегментации опухоли: метод и пилотное исследование с использованием компьютерных изображений гепатоцеллюлярной карциномы». Журнал медицинской визуализации . 2 (4): 041011. doi :10.1117/1.JMI.2.4.041011. ПМК 4650964 . ПМИД  26587549. 
  16. ^ Мерфи, К.; ван Гиннекен, Б.; Шилхэм, AM; и другие. (2009). «Крупномасштабная оценка автоматического обнаружения узелков в легких при КТ грудной клетки с использованием локальных особенностей изображения и классификации k-ближайших соседей». Анализ медицинских изображений . 13 (5): 757–770. дои : 10.1016/j.media.2009.07.001. hdl : 2066/81262 . PMID  19646913. S2CID  25181663.
  17. ^ Сузуки, К.; Армато, 3-й, SG; Ли, Ф.; Соне, С.; Дой, К. (2003). «Массовое обучение искусственной нейронной сети (MTANN) для уменьшения ложноположительных результатов при компьютерном обнаружении узлов в легких при низкодозной компьютерной томографии». Медицинская физика . 30 (7): 1602–1617. Бибкод : 2003MedPh..30.1602S. дои : 10.1118/1.1580485. ПМИД  12906178.{{cite journal}}: CS1 maint: numeric names: authors list (link)
  18. ^ Чан, HP; Ло, Южная Каролина; Сахинер, Б.; и другие. (1995). «Компьютерное обнаружение маммографических микрокальцинатов: распознавание образов с помощью искусственной нейронной сети». Медицинская физика . 22 (10): 1555–1567. Бибкод : 1995MedPh..22.1555C. дои : 10.1118/1.597428. hdl : 2027.42/134770 . ПМИД  8551980.
  19. ^ Глетсос, Мильтиад; Мугиакаку, Ставрула; Мацопулос, Джордж; Никита, Константина; Никита, Александра; Келекис, Димитриос (2003). «Компьютерная диагностическая система для характеристики КТ-очаговых поражений печени: разработка и оптимизация нейросетевого классификатора». Транзакции IEEE по информационным технологиям в биомедицине . 7 (3): 153–162. дои : 10.1109/TITB.2003.813793. PMID  14518728. S2CID  18918667.
  20. ^ Мугиакаку, Ставрула; Големати, Спиретта; Гусиас, Иоаннис; Николаидес, Эндрю; Никита, Константина (2007). «Компьютерная диагностика атеросклероза сонных артерий на основе статистики ультразвукового изображения, законов текстуры и нейронных сетей». Ультразвук в медицине и биологии . 33 (1): 26–36. doi :10.1016/j.ultrasmedbio.2006.07.032. ПМИД  17189044.
  21. ^ Стоицис, Джон; Валаванис, Иоаннис; Мугиакаку, Ставрула; Големати, Спиретта; Никита, Александра; Никита, Константина (2006). «Компьютерная диагностика на основе обработки медицинских изображений и методов искусственного интеллекта». Ядерные приборы и методы в физических исследованиях. Раздел А: Ускорители, спектрометры, детекторы и сопутствующее оборудование . 569 (2): 591–595. Бибкод : 2006NIMPA.569..591S. дои :10.1016/j.nima.2006.08.134.
  22. ^ Чен, С.; Сузуки, К.; МакМахон, Х. (2011). «Разработка и оценка компьютерной диагностической схемы обнаружения узлов в легких на рентгенограммах грудной клетки путем двухэтапного усиления узлов с классификацией опорных векторов». Медицинская физика . 38 (4): 1844–1858. Бибкод : 2011MedPh..38.1844C. дои : 10.1118/1.3561504. ПМК 3069992 . ПМИД  21626918. 
  23. ^ Пападопулос, А.; Фотиадис, Д.И.; Ликас, А. (2005). «Характеристика кластерных микрокальцинатов на оцифрованных маммограммах с использованием нейронных сетей и машин опорных векторов». Артиф Интелл Мед . 34 (2): 141–150. doi :10.1016/j.artmed.2004.10.001. ПМИД  15894178.
  24. ^ Волленвебер Т.; Янке Б.; Тейхманн А.; Фрейнд М. (2007). «Корреляционная гистологическая корреляция Befund und einem Computer-assistierten Detektionssystem (CAD) for die Mammografie». Гебуртш Фрауэнхайльк . 67 (2): 135–141. дои : 10.1055/с-2006-955983. S2CID  73122975.
  25. ^ abcdef Янасэ Дж., Триантафиллу Э (2019). «Семь ключевых задач будущего компьютерной диагностики в медицине». Международный журнал медицинской информатики . 129 : 413–422. doi : 10.1016/j.ijmedinf.2019.06.017. PMID  31445285. S2CID  198287435.
  26. ^ Вадхва, РР; Парк, ДЮ; Натович, MR (2018). «Точность компьютерных диагностических средств для выявления сопутствующих генетических нарушений». Американский журнал медицинской генетики, часть A. 176 (12): 2704–2709. doi : 10.1002/ajmg.a.40651. PMID  30475443. S2CID  53758271.
  27. ^ Брон Э.Э., Смитс М., Ван дер Флиер В.М., Вренкен Х., Баркхоф Ф., Шелтенс П., Папма Дж.М., Стекете РМ, Орельяна СМ, ​​Мейбум Р. и Пинто М. (2015). «Стандартизированная оценка алгоритмов компьютерной диагностики деменции на основе структурной МРТ: проблема CAD-деменции». НейроИмидж . 111 : 562–579. doi :10.1016/j.neuroimage.2015.01.048. ПМЦ 4943029 . ПМИД  25652394. 
  28. ^ Тейлор П., Поттс HW (2008). «Компьютерные средства и второе чтение у человека как вмешательство в скрининговую маммографию: два систематических обзора для сравнения влияния на выявление рака и частоту воспоминаний» (PDF) . Европейский журнал рака . 44 (6): 798–807. doi :10.1016/j.ejca.2008.02.016. ПМИД  18353630.
  29. ^ Бенджаменс, Стэн; Дунну, Пранавсингх; Меско, Берталан (2020). «Состояние медицинских устройств и алгоритмов на основе искусственного интеллекта, одобренных FDA: онлайн-база данных». npj Цифровая медицина . 3 : 118. дои : 10.1038/s41746-020-00324-0. ПМЦ 7486909 . ПМИД  32984550. 
  30. ^ Абэ, Ёсиюки; Ханаи, Кодзо; Накано, Макико; Окубо, Ясуюки; Хасизуме, Тошинори; Какизаки, Тору; Накамура, Масато; Ники, Нобору; Эгучи, Кендзи (1 января 2005 г.). «Система компьютерной диагностики (CAD) для скрининга рака легких с помощью компьютерной томографии». Противораковые исследования . 25 (1Б): 483–488. ISSN  0250-7005. ПМИД  15816616.
  31. ↑ Ву Н, Гамсу Дж., Чум Дж., Хелд Б., Тхакур Р., Никола Г. (март 2006 г.). «Обнаружение небольших легочных узелков с использованием прямой цифровой рентгенографии, систем архивирования изображений и передачи данных». J Визуализация грудной клетки . 21 (1): 27–31. дои : 10.1097/01.rti.0000203638.28511.9b. PMID  16538152. S2CID  31230950.
  32. ^ Гигер, Мэриеллен Лиссак; Дой, Кунио; МакМахон, Хибер (1 марта 1988 г.). «Анализ особенностей изображения и компьютерная диагностика в цифровой рентгенографии. 3. Автоматическое обнаружение узелков в периферических полях легких». Медицинская физика . 15 (2): 158–166. Бибкод : 1988MedPh..15..158G. дои : 10.1118/1.596247. ISSN  2473-4209. ПМИД  3386584.
  33. ^ Гиннекен, Б. Ван; Ромени, Б.М. Тер Хаар; Виргевер, Массачусетс (1 декабря 2001 г.). «Компьютерная диагностика при рентгенографии грудной клетки: обзор». Транзакции IEEE по медицинской визуализации . 20 (12): 1228–1241. дои : 10.1109/42.974918. ISSN  0278-0062. PMID  11811823. S2CID  6280485.
  34. ^ Коппини, Г.; Дичиотти, С.; Фальчини, М.; Виллари, Н.; Валли, Г. (1 декабря 2003 г.). «Нейронные сети для компьютерной диагностики: обнаружение узлов в легких на рентгенограммах грудной клетки». Транзакции IEEE по информационным технологиям в биомедицине . 7 (4): 344–357. дои : 10.1109/TITB.2003.821313. ISSN  1089-7771. PMID  15000360. S2CID  15121082.
  35. ^ Гигер, ML; Бэ, КТ; МакМахон, Х. (1 апреля 1994 г.). «Компьютерное обнаружение легочных узелков на изображениях компьютерной томографии». Исследовательская радиология . 29 (4): 459–465. дои : 10.1097/00004424-199404000-00013. ISSN  0020-9996. PMID  8034453. S2CID  9800069.
  36. ^ Канадзава, К.; Кавата, Ю.; Ники, Н.; Сато, Х.; Омацу, Х.; Какинума, Р.; Канеко, М.; Морияма, Н.; Эгучи, К. (1 марта 1998 г.). «Компьютерная диагностика легочных узелков на основе спиральной компьютерной томографии». Компьютеризированная медицинская визуализация и графика . 22 (2): 157–167. дои : 10.1016/S0895-6111(98)00017-2. ISSN  0895-6111. ПМИД  9719856.[ постоянная мертвая ссылка ]
  37. ^ Чен, Шэн; Чжун, Сикай; Яо, Липин; Шан, Яньфэн; Сузуки, Кенджи (2016). «Улучшение рентгенограмм грудной клетки, полученных в отделении интенсивной терапии, за счет подавления кости и последовательной обработки». Физика в медицине и биологии . 61 (6): 2283–2301. Бибкод : 2016PMB....61.2283C. дои : 10.1088/0031-9155/61/6/2283. PMID  26930386. S2CID  206020910.
  38. ^ Чен, С.; Сузуки, К. (01 февраля 2014 г.). «Отделение костей на рентгенограммах грудной клетки с помощью анатомически специфичных множественных ИНС для массовых тренировок в сочетании со сглаживанием, минимизирующим общие вариации». Транзакции IEEE по медицинской визуализации . 33 (2): 246–257. дои : 10.1109/TMI.2013.2284016. ISSN  0278-0062. PMID  24132005. S2CID  922550.
  39. ^ Сузуки, К.; Абэ, Х.; МакМахон, Х.; Дой, К. (1 апреля 2006 г.). «Методика обработки изображений для подавления ребер на рентгенограммах грудной клетки с помощью массовой обучающей искусственной нейронной сети (MTANN)». Транзакции IEEE по медицинской визуализации . 25 (4): 406–416. CiteSeerX 10.1.1.589.8748 . дои : 10.1109/TMI.2006.871549. ISSN  0278-0062. PMID  16608057. S2CID  17961280. 
  40. ^ ЛООГ, М; ВАНГИННЕКЕН, Б; ШИЛЬХАМ, А (1 декабря 2006 г.). «Обучение фильтру: применение для подавления костных структур на рентгенограммах грудной клетки». Анализ медицинских изображений . 10 (6): 826–840. doi : 10.1016/j.media.2006.06.002. ISSN  1361-8415. ПМИД  16859953.
  41. ^ Чен, С.; Сузуки, К. (01 февраля 2013 г.). «Компьютерное обнаружение узлов в легких с помощью # x201C; виртуальной двойной энергии # x201D; рентгенографии». Транзакции IEEE по биомедицинской инженерии . 60 (2): 369–378. дои : 10.1109/TBME.2012.2226583. ISSN  0018-9294. ПМК 4283823 . ПМИД  23193306. 
  42. ^ Белл, LTO; Ганди, С. (2018). «Сравнение программ компьютерного обнаружения (CAD) для идентификации колоректальных полипов: анализ производительности и чувствительности, текущие ограничения и практические советы для радиологов». Клиническая радиология . 73 (6): 593.e11–593.e18. дои : 10.1016/j.crad.2018.02.009. PMID  29602538. S2CID  4500060.
  43. ^ Сузуки, Кендзи; Ёсида, Хироюки; Няппи, Янне; Дахман, Авраам Х. (1 октября 2006 г.). «Искусственная нейронная сеть с массовым обучением (MTANN) для уменьшения ложных срабатываний при компьютерном обнаружении полипов: подавление ректальных трубок». Медицинская физика . 33 (10): 3814–3824. Бибкод : 2006MedPh..33.3814S. дои : 10.1118/1.2349839. ISSN  2473-4209. ПМИД  17089846.
  44. ^ Големати, Спиретта; Никита, Константина (2019). Сердечно-сосудистые вычисления: методологии и клинические применения . Спрингер.
  45. ^ Гастуниоти, Эмилия; Макродимитрис, Ставрос; Големати, Спиретта; Кадоглу, Николаос; Лиапис, Христос; Никита, Константина (2014). «Новый компьютеризированный инструмент для стратификации риска атеросклероза сонных артерий с использованием кинематических особенностей артериальной стенки». Журнал IEEE по биомедицинской и медицинской информатике . 19 (3): 1137–1145. дои : 10.1109/JBHI.2014.2329604 . PMID  24951709. S2CID  5924749.
  46. ^ Големати, Спиретта; Гастуниоти, Эмилия; Никита, Константина (2013). «На пути к новым неинвазивным и недорогим маркерам для прогнозирования инсультов при бессимптомном атеросклерозе сонных артерий: роль анализа ультразвуковых изображений». Транзакции IEEE по биомедицинской инженерии . 60 (3): 652–658. дои : 10.1109/TBME.2013.2244601. PMID  23380846. S2CID  5653986.
  47. ^ Големати, Спиретта; Пателаки, Элени; Гастуниоти, Эмилия; Андреадис, Иоаннис; Лиапис, Христос; Никита, Константина (2020). «Схемы синхронизации движения атероматозной бляшки сонной артерии по данным УЗИ в B-режиме». Научные отчеты . 10 (1): 11221. Бибкод : 2020NatSR..1011221G. дои : 10.1038/s41598-020-65340-2. ПМЦ 7343786 . ПМИД  32641773. 
  48. ^ Ризи, Ферештех; Ау, Джейсон; Юли-Оллила, Хейкки; Големати, Спиретта; Макунайте, Моника; Оркиш, Мацей; Наваб, Насир; Макдональд, Морин; Лайтинен, Тийна Марья; Бехнам, Хамид; Гао, Чжифан; Гастуниоти, Эмилия; Юрконис, Ритис; Врей, Дидье; Лайтинен, Томи; Серусклат, Андре; Никита, Константина; Занд, Гийом (2020). «Продольное движение стенки сонной артерии при ультразвуковой визуализации: обзор экспертного консенсуса». Ультразвук в медицине и биологии . 46 (10): 2605–2624. doi :10.1016/j.ultrasmedbio.2020.06.006. PMID  32709520. S2CID  225545904.
  49. ^ Големати, Спиретта; Гастуниоти, Эмилия; Никита, Константина (2016). «Оценка движения сердечно-сосудистой ткани на основе ультразвуковых изображений». Обзоры IEEE по биомедицинской инженерии . 9 : 208–218. дои : 10.1109/RBME.2016.2558147. S2CID  23333131.
  50. ^ Гастуниоти, Эмилия; Големати, Спиретта; Стоицис, 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. Бибкод : 2013PMB....58.8647G. дои : 10.1088/0031-9155/58/24/8647. PMID  24256708. S2CID  11571104.
  51. ^ Гастуниоти, Эмилия; Колиас, Василейос; Големати, Спиретта; Циапарас, Николаос; Мацаку, Айкатерини; Стоицис, Джон; Кадоглу, Николаос; Гкекас, Христос; Какисис, Джон; Лиапис, Христос; Каракитсос, Петрос; Сарафис, Иоаннис; Ангелидис, Паделис; Никита, Константина (2014). «CAROTID - веб-платформа для оптимального персонализированного ведения пациентов с атеросклеротом». Компьютерные методы и программы в биомедицине . 114 (2): 183–193. дои : 10.1016/j.cmpb.2014.02.006. ПМИД  24636805.
  52. ^ Гольденберг, Роман; Эйлот, Дов; Бегельман, Григорий; Валах, Юджин; Бен-Ишай, Эяль; Пелед, Натан (2012). «Простая компьютерная сортировка (CAST) для коронарной КТ-ангиографии (CCTA)». Международный журнал компьютерной радиологии и хирургии . 7 (6): 819–827. дои : 10.1007/s11548-012-0684-7. ISSN  1861-6410. PMID  22484719. S2CID  5627031.
  53. ^ Чаплот, Сандип; Патнаик, LM; Джаганнатан, Северная Каролина (2006). «Классификация магнитно-резонансных изображений мозга с использованием вейвлетов в качестве входных данных для поддержки векторной машины и нейронной сети». Биомедицинская обработка сигналов и контроль . 1 : 86–92. дои : 10.1016/j.bspc.2006.05.002.
  54. ^ Майтра, Мадхубанти; Чаттерджи, Амитава (2006). «Интеллектуальная система на основе преобразования Slantlet для классификации магнитно-резонансных изображений мозга». Биомедицинская обработка сигналов и контроль . 1 (4): 299–306. дои : 10.1016/j.bspc.2006.12.001.
  55. ^ Ван, С.; Ву, В. (2010). «Новый метод магнитно-резонансной классификации изображений мозга на основе адаптивного хаотического PSO». Прогресс в исследованиях в области электромагнетизма . 109 : 325–343. дои : 10.2528/PIER10090105 .
  56. ^ Чжан, Юдун; Ву, Л. (2011). «Магнитно-резонансная классификация изображений мозга с помощью улучшенного алгоритма искусственной пчелиной семьи». Прогресс в исследованиях в области электромагнетизма . 2011 : 65–79. дои : 10.2528/PIER11031709 .
  57. ^ Аб Падма, А.; Суканеш, Р. (2014). «Сегментация и классификация КТ-изображений головного мозга с использованием функций комбинированной вейвлет-статистической текстуры». Арабский журнал науки и техники . 39 (2): 767–776. дои : 10.1007/s13369-013-0649-3. S2CID  62615810.
  58. ^ Чжан, Юдун; Донг, Чжэнчао; Джи, Генлин (2015). «Эффект паутины в классификации МРТ-изображений мозга». Буквы для распознавания образов . 62 : 14–16. Бибкод : 2015PaReL..62...14Z. doi :10.1016/j.patrec.2015.04.016.
  59. ^ Чжан, Ю.; Ван, С.; Джи, Г.; Донг, З. (2013). «Поиск генетических закономерностей и его применение для классификации изображений мозга». Математические проблемы в технике . 2013 : 1–8. дои : 10.1155/2013/580876 .
  60. ^ Дас С.; Чоудхури М.; Кунду МК (2013). «Классификация МРТ-изображений головного мозга с использованием многомасштабного геометрического анализа пульсации». Прогресс в исследованиях в области электромагнетизма . 137 : 1–17. дои : 10.2528/pier13010105 .
  61. ^ Чжан, Ю.; 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 . ПМЦ 3791634 . ПМИД  24163610. 
  62. ^ Калбхани Х.; Шайестех М.Г.; Зали-Варгахан Б. (2013). «Надежный алгоритм классификации магнитно-резонансных изображений (МРТ) головного мозга на основе ряда дисперсий GARCH». Биомедицинская обработка сигналов и контроль . 8 (6): 909–919. дои : 10.1016/j.bspc.2013.09.001.
  63. ^ Эль-Дахшан ЕКА; Мохсен Х.М.; Реветт К.; и другие. (2014). «Компьютерная диагностика опухоли головного мозга человека с помощью МРТ: исследование и новый алгоритм». Экспертные системы с приложениями . 41 (11): 5526–5545. дои : 10.1016/j.eswa.2014.01.021.
  64. ^ Чжоу, Син-Син (2015). «Обнаружение патологического мозга при МРТ-сканировании на основе вейвлет-энтропии и наивного байесовского классификатора». Биоинформатика и биомедицинская инженерия . Конспекты лекций по информатике. Том. 9043. стр. 201–209. дои : 10.1007/978-3-319-16483-0_20. ISBN 978-3-319-16482-3.
  65. ^ Чжан, Юдун; Ван, Шуйхуа; Донг, Чжэнчао (2014). «Классификация болезни Альцгеймера на основе структурной магнитно-резонансной томографии с помощью дерева решений машины опорных векторов ядра». Прогресс в исследованиях в области электромагнетизма . 144 : 185–191. дои : 10.2528/PIER13121310 .
  66. ^ Сигнаевский, Максим; Прастава, Марсель; Фаррелл, Курт; Табиш, Набиль; Болдуин, Елена; Хан, Наталья; Иида, Меган; Колл, Джон; Брайс, Клэр; Пурохит, Душьянт; Арутюнян, Ваграм; Макки, Энн; Штейн, Тор; Белый-III, Чарльз; Уокер, Джейми; Ричардсон, Тимоти; Хэнсон, Рассел; Кордон-Кардо, Карлос; Донован, Майкл; Зейне, Джек; Фернандес, Херардо; Крери, Джон (2019). «Искусственный интеллект в невропатологии: оценка таупатии на основе глубокого обучения». Лабораторное исследование . 99 (7): 1019–1029. дои : 10.1038/s41374-019-0202-4 . ПМК 7684013 . ПМИД  30770886. 
  67. ^ Фристон, К.; Полин, Япония; Холмс, CJ; Фрит, компакт-диск; Фраковяк, Р.С. (1996). «Многофакторный анализ исследований активации ПЭТ». Хм. Карта мозга . 4 (2): 140–151. doi :10.1002/(SICI)1097-0193(1996)4:2<140::AID-HBM5>3.0.CO;2-3. PMID  20408193. S2CID  9074888.
  68. ^ Мартинес-Мурсия, Ф.Дж.; Горрис, Дж. М.; Рамирес, Дж.; Пунтоне, КГ; Иллан, Айова (2013). «Карты функциональной активности на основе показателей значимости и независимого компонентного анализа». Компьютерные методы и программы в биомедицине . 111 (1): 255–268. дои : 10.1016/j.cmpb.2013.03.015. ПМК 6701938 . ПМИД  23660005. 
  69. ^ Донг, 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 нейронауки . 66 (9): 66. дои : 10.3389/fncom.2015.00066 . ПМЦ 4451357 . ПМИД  26082713. 
  70. ^ Чжан, Дж.; Ю, Ц.; Цзян, Г.; Лю, В.; Тонг, Л. (2012). «3D-анализ текстуры МРТ-изображений болезни Альцгеймера». Мозговые изображения и поведение . 6 (1): 61–69. doi : 10.1007/s11682-011-9142-3. PMID  22101754. S2CID  10069584.
  71. ^ Чупин, Мари; Жерарден, Эмили; Куэнье, Реми; Буте, Клэр; Лемье, Луи; Леэриси, Стефан; Бенали, Хабиб; Гарнеро, Лайн; 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. дои : 10.1002/hipo.20626. ПМК 2837195 . ПМИД  19437497. 
  72. ^ Мартинес-Мурсия, Ф.Дж.; Горрис, Дж. М.; Рамирес, Дж.; Ортис, А. (2016). «Сферическое картирование мозга МР-изображений для выявления болезни Альцгеймера». Текущие исследования болезни Альцгеймера . 13 (5): 575–588. дои : 10.2174/1567205013666160314145158. hdl : 10481/42543 . PMID  26971941. S2CID  30472186.
  73. ^ «Диагностика EXINI».
  74. ↑ Хуан, Као и Чен (18 июня 2007 г.). «Набор алгоритмов обработки изображений для компьютерной диагностики в ядерной медицине. Изображения сканирования костей всего тела». Транзакции IEEE по ядерной науке . 54 (3): 514–522. Бибкод : 2007ITNS...54..514H. дои : 10.1109/TNS.2007.897830. S2CID  20730927.
  75. ^ abcde Каур, М; Талвар, Р. (2014). «Обзор: экстракция кровеносных сосудов и выявление ретинопатии глаза». Международный журнал компьютерных наук и информационных технологий . 5 (6): 7513–7516. S2CID  17460643.
  76. ^ аб Туфаил, А; Рудисилл, К; Иган, К; Капетанакис, В.В.; Салас-Вега, С; Оуэн, CG; Ли, А; Лоу, В; Андерсон, Дж; Лью, Г; Болтер, Л; Шринивас, С; Ниттала, М; Садда, С; Тейлор, П; Рудницка, А.Р. (nd). «Автоматическое программное обеспечение для оценки изображений диабетической ретинопатии: диагностическая точность и экономическая эффективность по сравнению с человеческими оценщиками». Офтальмология . 124 (3): 343–351. дои : 10.1016/j.ophtha.2016.11.014 . ПМИД  28024825.
  77. ^ abcdefg Ахмад, А.; Мансур, AB; Мумтаз Р.; Хан, М.; Мирза, СХ (01 декабря 2014 г.). «Обработка и классификация изображений при диабетической ретинопатии: обзор». 2014 5-й Европейский семинар по обработке визуальной информации (EUVIP) . стр. 1–6. дои : 10.1109/EUVIP.2014.7018362. ISBN 978-1-4799-4572-6. S2CID  16465894.
  78. ^ Фраз, ММ; Барман, ЮАР; Реманьино, П.; Хоппе, А.; Басит, А.; Уйянонвара, Б.; Рудницка, Арканзас; Оуэн, CG (1 ноября 2012 г.). «Подход к локализации кровеносных сосудов сетчатки с использованием битовых плоскостей и обнаружения центральной линии». Вычислить. Методы Прог. Биомед . 108 (2): 600–616. дои : 10.1016/j.cmpb.2011.08.009. ISSN  0169-2607. ПМИД  21963241.
  79. ^ Прия, Р; Аруна, П. (2011). «Обзор автоматизированной диагностики диабетической ретинопатии с использованием машины опорных векторов». Международный журнал прикладных инженерных исследований, Диндигул . 1 (4): 844–862.
  80. ^ Абедин, Зейн ул (10 ноября 2023 г.). «Что такое CAD/CAM?» . Проверено 7 февраля 2024 г.
  81. ^ Салех, Марван Д.; Эсваран, К. (1 октября 2012 г.). «Автоматизированная система поддержки принятия решений при непролиферативной диабетической ретинопатии на основе обнаружения MA и HA». Вычислить. Методы Прог. Биомед . 108 (1): 186–196. дои : 10.1016/j.cmpb.2012.03.004. ISSN  0169-2607. ПМИД  22551841.
  82. ^ аб Антал, Б.; Хайду, А. (1 июня 2012 г.). «Ансамблевая система для обнаружения микроаневризм и оценки диабетической ретинопатии». Транзакции IEEE по биомедицинской инженерии . 59 (6): 1720–1726. arXiv : 1410.8577 . дои : 10.1109/TBME.2012.2193126. ISSN  0018-9294. PMID  22481810. S2CID  16382245.
  83. ^ Администратор ab (20 мая 2015 г.). «Обзор: Выявление диабетической ретинопатии с использованием SVM и MDA». Международный журнал компьютерных приложений . 117 (20): 1–3. Бибкод : 2015IJCA..117t...1S. дои : 10.5120/20667-2485 .
  84. ^ Эспона, Л.; Каррейра, MJ; Ортега, М.; Пенедо, МГ (6 июня 2007 г.). «Змея для сегментации сосудов сетчатки». В Марти, Джоан; Бенеди, Хосе Мигель; Мендонса, Ана Мария; Серрат, Джоан (ред.). Распознавание образов и анализ изображений . Конспекты лекций по информатике. Том. 4478. Шпрингер Берлин Гейдельберг. стр. 178–185. дои : 10.1007/978-3-540-72849-8_23. ISBN 9783540728481.
  85. ^ Пайва, Омир Антунес; Преведелло, Лучано М. (октябрь 2017 г.). «Потенциальное влияние искусственного интеллекта в радиологии». Радиология Бразилиа . 50 (5): V – VI. дои : 10.1590/0100-3984.2017.50.5e1. ПМК 5656066 . ПМИД  29085178. 
  86. ↑ Мукерджи, Сиддхартха (27 марта 2017 г.). «ИИ против доктора медицины» Житель Нью-Йорка . Проверено 3 февраля 2018 г.
  87. ^ «Почему искусственный интеллект, читающий сканирование, - плохая новость для радиологов» . Экономист . 29 ноября 2017 года . Проверено 3 февраля 2018 г.
  88. ^ Джа, Саураб; Тополь, Эрик Дж. (13 декабря 2016 г.). «Адаптация к искусственному интеллекту». ДЖАМА . 316 (22): 2353–2354. дои : 10.1001/jama.2016.17438. PMID  27898975. S2CID  3662362.

Внешние ссылки