stringtranslate.com

Компьютерная диагностика

Компьютерное обнаружение ( CADe ), также называемое компьютерной диагностикой ( CADx ), — это системы, которые помогают врачам в интерпретации медицинских изображений . Методы визуализации в рентгенологии , МРТ , эндоскопии и ультразвуковой диагностике дают большой объем информации, которую рентгенолог или другой медицинский работник должен проанализировать и всесторонне оценить за короткое время. Системы CAD обрабатывают цифровые изображения или видео для типичных проявлений и выделяют заметные участки, такие как возможные заболевания, чтобы предложить входные данные для поддержки решения, принимаемого специалистом.

CAD также имеет потенциальные будущие применения в цифровой патологии с появлением визуализации всего слайда и алгоритмов машинного обучения . До сих пор его применение ограничивалось количественной иммунной окраской , но также изучается для стандартной окраски H&E . [1]

САПР — это междисциплинарная технология, объединяющая элементы искусственного интеллекта и компьютерного зрения с обработкой радиологических и патологических изображений. Типичное применение — обнаружение опухоли. Например, некоторые больницы используют САПР для поддержки профилактических медицинских осмотров при маммографии (диагностика рака молочной железы), обнаружения полипов при колоноскопии и рака легких .

Системы компьютерного обнаружения (CADe) обычно ограничиваются маркировкой заметных структур и срезов. Системы компьютерной диагностики (CADx) оценивают заметные структуры. Например, в маммографии CAD выделяет скопления микрокальцификатов и гиперплотные структуры в мягких тканях. Это позволяет рентгенологу делать выводы о состоянии патологии. Другое применение — CADq, который количественно определяет, например , размер опухоли или поведение опухоли при поглощении контрастного вещества. Компьютерная простая сортировка (CAST) — это еще один тип CAD, который выполняет полностью автоматическую начальную интерпретацию и сортировку исследований по некоторым значимым категориям ( например, отрицательным и положительным). CAST особенно применим при экстренной диагностической визуализации, когда требуется быстрая диагностика критического, опасного для жизни состояния.

Хотя САПР используется в клинических условиях уже более 40 лет, САПР обычно не заменяет врача или другого специалиста, а скорее играет вспомогательную роль. Специалист (обычно рентгенолог) обычно несет ответственность за окончательную интерпретацию медицинского изображения. [2] Однако цель некоторых систем САПР заключается в обнаружении самых ранних признаков аномалии у пациентов, которые не могут обнаружить специалисты-люди, как, например, диабетическая ретинопатия, архитектурные искажения на маммограммах, [3] [4] матово-стеклянные узелки на КТ грудной клетки, [5] [6] и неполиповидные («плоские») поражения на КТ-колонографии. [7]

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 системы САПР использовали блок-схемы, статистическое сопоставление шаблонов, теорию вероятностей или базы знаний для управления процессом принятия решений. [9]

В начале 1970-х годов некоторые из самых ранних систем САПР в медицине, которые часто назывались « экспертными системами » в медицине, были разработаны и использовались в основном в образовательных целях. Примерами являются экспертная система MYCIN , [10] экспертная система Internist -I [11] и CADUCEUS (экспертная система) . [12]

В начале ранних разработок исследователи стремились создать полностью автоматизированные САПР/экспертные системы. Ожидаемые возможности компьютеров были нереалистично оптимистичны среди этих ученых. Однако после прорывной статьи «Сводимость среди комбинаторных задач» Ричарда М. Карпа [ 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, которые Карп обнаружил в начале 1970-х годов, исследователи начали осознавать серьезные ограничения, которые имеют САПР и экспертные системы в медицине. [9] Осознание этих ограничений привело исследователей к разработке новых видов САПР с использованием передовых подходов. Таким образом, к концу 1980-х и началу 1990-х годов фокус сместился на использование подходов добычи данных с целью использования более передовых и гибких САПР.

В 1998 году первая коммерческая система САПР для маммографии, система ImageChecker, была одобрена Управлением по контролю за продуктами и лекарствами США (FDA). В последующие годы несколько коммерческих систем САПР для анализа маммографии, МРТ груди, медицинского изображения легких, толстой кишки и сердца также получили одобрение FDA. В настоящее время системы САПР используются в качестве диагностической помощи, чтобы предоставить врачам возможность принимать более обоснованные медицинские решения. [14]

Методология

САПР в своей основе базируется на распознавании очень сложных образов . Рентгеновские или другие типы изображений сканируются на предмет подозрительных структур. Обычно для оптимизации алгоритма требуется несколько тысяч изображений. Цифровые данные изображений копируются на сервер САПР в формате DICOM и подготавливаются и анализируются в несколько этапов.

1. Предварительная обработка для

2. Сегментация для

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 (скоринг) на предмет вероятности TP. Следующие процедуры являются примерами алгоритмов классификации.

Если обнаруженные структуры достигли определенного порогового уровня, они выделяются на изображении для рентгенолога. В зависимости от системы CAD эти маркировки могут быть сохранены постоянно или временно. Преимущество последнего в том, что сохраняются только те маркировки, которые одобрены рентгенологом. Ложные попадания не должны сохраняться, потому что в этом случае обследование в более поздние сроки становится более сложным.

Отношение к показателям поставщика

Чувствительность и специфичность

Системы CAD стремятся выделить подозрительные структуры. Современные системы CAD не могут обнаружить 100% патологических изменений. Коэффициент попадания ( чувствительность ) может достигать 90% в зависимости от системы и приложения. [24] Правильное попадание называется истинно положительным (TP), в то время как неправильная маркировка здоровых участков представляет собой ложноположительный (FP). Чем меньше указано FP, тем выше специфичность . Низкая специфичность снижает принятие системы CAD, поскольку пользователю приходится идентифицировать все эти неправильные попадания. Коэффициент FP при обзорных исследованиях легких (CAD Chest) может быть снижен до 2 на исследование. В других сегментах ( например, КТ-исследованиях легких) коэффициент FP может составлять 25 или более. В системах CAST коэффициент FP должен быть чрезвычайно низким (менее 1 на исследование), чтобы обеспечить значимую сортировку исследования .

Абсолютный показатель обнаружения

Абсолютный показатель обнаружения рентгенолога является альтернативной метрикой чувствительности и специфичности. В целом, результаты клинических испытаний чувствительности, специфичности и абсолютного показателя обнаружения могут значительно различаться. Каждый результат исследования зависит от его основных условий и должен оцениваться на основе этих условий. Следующие факты оказывают сильное влияние:

Вызовы

Несмотря на многочисленные достижения САПР с момента появления компьютеров, сегодня перед системами САПР по-прежнему стоят определенные проблемы. [25]

Некоторые проблемы связаны с различными алгоритмическими ограничениями в процедурах системы САПР, включая сбор входных данных, предварительную обработку, обработку и системные оценки. Алгоритмы, как правило, разрабатываются для выбора одного вероятного диагноза, тем самым обеспечивая неоптимальные результаты для пациентов с несколькими сопутствующими расстройствами. [26] Сегодня входные данные для САПР в основном поступают из электронных медицинских карт (ЭМК). Эффективное проектирование, реализация и анализ для ЭМК являются основной необходимостью для любых систем САПР. [25]

Из-за огромной доступности данных и необходимости их анализа, большие данные также являются одной из самых больших проблем, с которыми сталкиваются сегодня системы САПР. Все более обширный объем данных о пациентах является серьезной проблемой. Часто данные о пациентах являются сложными и могут быть полуструктурированными или неструктурированными данными . Это требует высокоразвитых подходов для их хранения, извлечения и анализа в разумные сроки. [25]

На этапе предварительной обработки входные данные должны быть нормализованы. Нормализация входных данных включает в себя шумоподавление и фильтрацию.

Обработка может содержать несколько подшагов в зависимости от приложений. Основные три подшага в медицинской визуализации — это сегментация, извлечение /выбор признаков и классификация. Эти подшаги требуют передовых методов анализа входных данных с меньшим временем вычислений. Хотя много усилий было направлено на создание инновационных методов для этих процедур систем САПР, ни одного лучшего алгоритма не появилось для какого-либо отдельного шага. Постоянные исследования в области создания инновационных алгоритмов для всех аспектов систем САПР имеют важное значение. [25]

Также отсутствует стандартизированная оценка систем САПР. [25] Этот факт может вызвать трудности в получении одобрения на коммерческое использование от таких руководящих органов, как FDA . Более того, хотя было доказано множество положительных разработок систем САПР, исследования по проверке их алгоритмов для клинической практики не были подтверждены. [27]

Другие проблемы связаны с проблемой внедрения новых систем CAD в клиническую практику для поставщиков медицинских услуг. Некоторые негативные исследования могут препятствовать использованию CAD. Кроме того, отсутствие обучения медицинских работников использованию CAD иногда приводит к неправильной интерпретации результатов системы. [a]

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 предстательной железы , метастазов в костях , ишемической болезни сердца , врожденных пороков сердца , выявления патологических изменений головного мозга, выявления переломов, болезни Альцгеймера и диабетической ретинопатии .

Рак молочной железы

CAD используется в скрининговой маммографии (рентгеновское обследование женской груди). Скрининговая маммография используется для раннего выявления рака груди. Системы CAD часто используются для классификации опухоли как злокачественной (раковой) или доброкачественной (нераковой). CAD особенно распространен в США и Нидерландах и используется в дополнение к оценке человеком, обычно рентгенологом.

Первая система САПР для маммографии была разработана в исследовательском проекте Чикагского университета . Сегодня она предлагается на коммерческой основе компаниями iCAD и Hologic . Однако, несмотря на высокую чувствительность, системы САПР, как правило, имеют очень низкую специфичность, и преимущества использования САПР остаются неопределенными. Систематический обзор 2008 года по компьютерному обнаружению в скрининговой маммографии пришел к выводу, что САПР не оказывает существенного влияния на скорость обнаружения рака, но нежелательно увеличивает скорость отклика ( т. е. скорость ложноположительных результатов). Однако он отметил значительную неоднородность влияния на скорость отклика в разных исследованиях. [28]

Последние достижения в области машинного обучения , глубокого обучения и технологий искусственного интеллекта позволили разработать системы САПР, которые, как клинически доказано, помогают рентгенологам решать проблемы чтения маммографических изображений, улучшая показатели обнаружения рака и сокращая ложноположительные результаты и ненужные повторные обращения пациентов, при этом значительно сокращая время чтения. [29]

Существуют также процедуры оценки маммографии на основе магнитно-резонансной томографии (МРТ).

Рак легких (бронхиальная карцинома)

При диагностике рака легких компьютерная томография со специальными трехмерными системами CAD устанавливается и рассматривается как соответствующее второе мнение. [30] При этом подготавливается и анализируется объемный набор данных с количеством до 3000 отдельных изображений. Обнаруживаются круглые поражения ( рак легких , метастазы и доброкачественные изменения) от 1 мм. Сегодня все известные поставщики медицинских систем предлагают соответствующие решения.

Раннее обнаружение рака легких имеет ценность. Однако случайное обнаружение рака легких на ранней стадии (стадия 1) на рентгеновском снимке затруднено. Круглые поражения размером от 5 до 10 мм легко пропустить. [31] Рутинное применение систем CAD для грудной клетки может помочь обнаружить небольшие изменения без первоначальных подозрений. Ряд исследователей разработали системы CAD для обнаружения легочных узелков (круглых поражений размером менее 30 мм) при рентгенографии грудной клетки [32] [33] [34] и КТ, [35] [36] и системы CAD для диагностики ( например , различения злокачественных и доброкачественных) легочных узелков при КТ. Виртуальная двухэнергетическая визуализация [37] [38] [39] [40] улучшила производительность систем CAD 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 наросты, которые возникают из внутренней оболочки толстой кишки. CAD обнаруживает полипы, определяя их характерную «шишкообразную» форму. Чтобы избежать чрезмерных ложных срабатываний, CAD игнорирует нормальную стенку толстой кишки, включая гаустральные складки.

Сердечно-сосудистые заболевания

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

Надежное раннее выявление и стратификация риска атеросклероза сонных артерий имеет первостепенное значение для прогнозирования инсультов у бессимптомных пациентов. [45] С этой целью были предложены различные неинвазивные и недорогие маркеры, использующие особенности, основанные на ультразвуковом изображении. [46] Они сочетают в себе характеристики эхогенности , текстуры и движения [47] [48] [49] [50], чтобы помочь клиническому решению в направлении улучшения прогнозирования, оценки и управления сердечно-сосудистым риском. [51]

CAD доступен для автоматического обнаружения значительного (вызывающего стеноз более 50% ) заболевания коронарных артерий в исследованиях коронарной КТ-ангиографии (ККТ). [52]

Врожденный порок сердца

Раннее обнаружение патологии может быть вопросом жизни и смерти. CADe может быть выполнено путем аускультации с помощью цифрового стетоскопа и специализированного программного обеспечения, также известного как компьютерная аускультация . Шумы, нерегулярные сердечные звуки, вызванные потоком 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)

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

В 2010 году Ван и Ву представили метод на основе прямой нейронной сети (FNN) для классификации данного МР-изображения мозга как нормального или ненормального. Параметры FNN были оптимизированы с помощью адаптивной оптимизации хаотического роя частиц (ACPSO). Результаты по 160 изображениям показали, что точность классификации составила 98,75%. [55]

В 2011 году Ву и Ван предложили использовать DWT для извлечения признаков, PCA для сокращения признаков и FNN с масштабированной хаотической искусственной колонией пчел (SCABC) в качестве классификатора. [56]

В 2013 году Сарита и др. первыми применили вейвлет-энтропию (WE) для обнаружения патологического мозга. Сарита также предложила использовать паутинные графики. [57] Позже Чжан и др. доказали, что удаление паутинных графиков не влияет на производительность. [58] Метод поиска генетических шаблонов был применен для идентификации аномального мозга от нормального контроля. Его точность классификации составила 95,188%. [59] Дас и др. предложили использовать преобразование Ripplet. [60] Чжан и др. предложили использовать оптимизацию роя частиц (PSO). [61] Калбхани и др. предложили использовать модель GARCH. [62]

В 2014 году Эль-Дахшан и др. предложили использовать импульсно-связанную нейронную сеть. [63]

В 2015 году Чжоу и др. предложили использовать наивный байесовский классификатор для обнаружения патологических изменений в мозге. [64]

болезнь Альцгеймера

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

В 2014 году Падма и др . использовали комбинированные вейвлет-статистические текстурные признаки для сегментации и классификации доброкачественных и злокачественных срезов опухолей AD. [57] Чжан и др. обнаружили, что дерево решений машины опорных векторов ядра имело точность классификации 80% со средним временем вычисления 0,022 с для каждой классификации изображения. [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. Обученная FCN достигла высокой точности и отзыва при семантической сегментации наивного цифрового изображения всего слайда (WSI), правильно идентифицируя объекты NFT с помощью модели SegNet, обученной в течение 200 эпох. FCN достигла почти практической эффективности со средним временем обработки 45 мин на WSI на графический процессор (GPU) , что обеспечивает надежное и воспроизводимое крупномасштабное обнаружение NFT. Измеренная производительность на тестовых данных восьми наивных WSI при различных тауопатиях привела к отзыву, точности и баллу F1 0,92, 0,72 и 0,81 соответственно. [66]

Eigenbrain — это новая функция мозга, которая может помочь обнаружить AD, основанную на анализе главных компонент (PCA) [67] или разложении анализа независимых компонентов . [68] Было показано, что полиномиальное ядро ​​SVM достигает хорошей точности. Полиномиальное KSVM работает лучше, чем линейный SVM и RBF ядро ​​SVM. [69] Другие подходы с хорошими результатами включают использование анализа текстуры, [70] морфологических признаков, [71] или статистических признаков высокого порядка [72]

Ядерная медицина

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

Благодаря высокой чувствительности и приемлемому уровню ложных поражений автоматизированная система автоматического обнаружения поражений продемонстрировала свою полезность и, вероятно, в будущем сможет помочь врачам ядерной медицины выявлять возможные поражения костей. [74]

Диабетическая ретинопатия

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 предмет этого состояния. Визуализация используется для распознавания ранних признаков аномальных кровеносных сосудов сетчатки. Ручной анализ этих изображений может быть трудоемким и ненадежным. [75] [76] САПР используется для повышения точности, чувствительности и специфичности автоматизированного метода обнаружения. Использование некоторых систем САПР для замены людей-оценщиков может быть безопасным и экономически эффективным. [76]

Предварительная обработка изображений, а также извлечение и классификация признаков являются двумя основными этапами этих алгоритмов САПР. [77]

Методы предварительной обработки

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

Образец изображения выравнивания гистограммы. Слева: Обычное серое фундоскопическое изображение. Справа: Обработка выравнивания после гистограммы. [79]

Выравнивание гистограммы полезно для повышения контрастности изображения. [80] Этот метод используется для повышения локальной контрастности. В конце обработки области, которые были темными на входном изображении, будут осветлены, что значительно увеличит контрастность между элементами, присутствующими в этой области. С другой стороны, более яркие области на входном изображении останутся яркими или будут иметь пониженную яркость, чтобы выровняться с другими областями на изображении. Помимо сегментации сосудов, другие элементы, связанные с диабетической ретинопатией, могут быть дополнительно разделены с помощью этого метода предварительной обработки. Микроаневризмы и кровоизлияния представляют собой красные поражения, тогда как экссудаты представляют собой желтые пятна. Увеличение контрастности между этими двумя группами позволяет лучше визуализировать поражения на изображениях. С помощью этого метода обзор 2014 года показал, что 10 из 14 недавно (с 2011 года) опубликованных первичных исследований. [77]

Фильтрация зеленого канала — 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 — это красные поражения, которые выглядят темными после применения фильтрации зеленого канала. Напротив, экссудаты, которые выглядят желтыми на обычном изображении, после зеленой фильтрации превращаются в яркие белые пятна. Согласно обзору 2014 года, этот метод в основном используется и встречается в 27 из 40 опубликованных статей за последние три года. [77] Кроме того, фильтрация зеленого канала может использоваться для обнаружения центра диска зрительного нерва в сочетании с двухоконной системой. [ требуется ссылка ]

Коррекция неравномерного освещения — это метод, который корректирует неравномерное освещение в фундоскопическом изображении. Неравномерное освещение может быть потенциальной ошибкой при автоматическом обнаружении диабетической ретинопатии из-за изменений в статистических характеристиках изображения. [77] Эти изменения могут повлиять на последующую обработку, такую ​​как извлечение признаков, и не наблюдаются человеком. Коррекция неравномерного освещения (f') может быть достигнута путем изменения интенсивности пикселей с использованием известной исходной интенсивности пикселей (f) и средних интенсивностей 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 контрастности, особенно более темных областей по сравнению с фоном.

Извлечение признаков и классификации

После предварительной обработки фундоскопического изображения оно будет далее проанализировано с использованием различных вычислительных методов. Однако в текущей литературе единогласно установлено, что некоторые методы используются чаще других во время анализа сегментации сосудов. К этим методам относятся SVM, многомасштабный, отслеживание сосудов, подход с ростом регионов и подходы на основе моделей.

Машина опорных векторов. Опорные векторы (пунктирные линии) создаются для максимального разделения двух групп.

Машина опорных векторов на сегодняшний день является наиболее часто используемым классификатором при сегментации сосудов, до 90% случаев. [ необходима цитата ] SVM — это контролируемая модель обучения, которая относится к более широкой категории методов распознавания образов. Алгоритм работает, создавая наибольший разрыв между отдельными образцами в данных. Цель состоит в том, чтобы создать наибольший разрыв между этими компонентами, который минимизирует потенциальную ошибку классификации. [83] Для того 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 кровеносного сосуда на новых изображениях может быть выполнено аналогичным образом с использованием опорных векторов. Сочетание с другими методами предварительной обработки, такими как фильтрация зеленого канала, 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. При увеличении разрешения можно легко распознать более мелкие ответвления от крупных сосудов. Поэтому одним из преимуществ использования этого метода является повышенная аналитическая скорость. [75] Кроме того, этот подход можно использовать с трехмерными изображениями. Поверхностное представление — это поверхность, нормальная к кривизне сосудов, что позволяет обнаруживать аномалии на поверхности сосудов. [ необходима цитата ]

Отслеживание сосудов — это способность алгоритма обнаруживать «осевую линию» сосудов. Эти осевые линии являются максимальным пиком кривизны сосудов. Центры сосудов можно найти с помощью направленной информации, предоставляемой фильтром Гаусса. [ необходима цитата ] Аналогичные подходы, использующие концепцию осевой линии, основаны на скелете и дифференциальной геометрии. [75]

Подход к выращиванию регионов — это метод обнаружения соседних пикселей со сходствами. Для запуска такого метода требуется начальная точка. Для работы этого метода необходимы два элемента: сходство и пространственная близость. Соседний пиксель с начальным пикселем с похожей 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 начальной точки, что вносит смещение и непоследовательность в алгоритм. [75] Этот метод также используется для идентификации диска зрительного нерва. [ необходима цитата ]

Подходы на основе моделей используют представление для извлечения сосудов из изображений. Известны три широкие категории основанных на моделях: деформируемые, параметрические и сопоставление шаблонов. [75] Деформируемые методы используют объекты, которые будут деформированы для соответствия контурам объектов на изображении. Параметрические используют 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 на основе моделей. [84] Наконец, сопоставление шаблонов — это использование шаблона, подобранного с помощью стохастического процесса деформации с использованием скрытого марковского режима 1.

Влияние на занятость

Автоматизация медицинской диагностики (например, количественной оценки эритроцитов ) имеет некоторые исторические прецеденты. [85] Революция глубокого обучения 2010-х годов уже привела к появлению ИИ, который во многих областях визуальной диагностики более точен, чем рентгенологи и дерматологи, и ожидается, что этот разрыв будет расти.

Некоторые эксперты, в том числе многие врачи, пренебрегают влиянием ИИ на медицинские специальности.

Напротив, многие экономисты и эксперты по искусственному интеллекту полагают, что такие области, как радиология, будут сильно разрушены из-за безработицы или давления в сторону понижения заработной платы рентгенологов; больницам в целом понадобится меньше рентгенологов, а многим из рентгенологов, которые все еще существуют, потребуется существенная переподготовка. Джеффри Хинтон , «Крестный отец глубокого обучения», утверждает, что в свете вероятных достижений, ожидаемых в ближайшие пять или десять лет, больницы должны немедленно прекратить подготовку рентгенологов, поскольку их трудоемкое и дорогостоящее обучение визуальной диагностике вскоре в основном устареет, что приведет к переизбытку традиционных рентгенологов. [86] [87]

В статье в JAMA утверждается, что патологи и рентгенологи должны объединиться в одну роль « специалиста по информации », и утверждается, что «чтобы избежать замены компьютерами, рентгенологи должны позволить компьютерам вытеснить себя». Специалисты по информации будут обучаться « байесовской логике , статистике , науке о данных », а также некоторым аспектам геномики и биометрии ; ручное визуальное распознавание образов будет значительно ослаблено по сравнению с нынешним обременительным обучением рентгенологии. [88]

Смотрите также

Сноски

  1. ^ Эти проблемы более подробно описаны здесь: Yanase J, Triantaphyllou E (2019). «Семь ключевых проблем будущего компьютерной диагностики в медицине». Международный журнал медицинской информатики. 129: 413–422. doi:10.1016/j.ijmedinf.2019.06.017. PMID 31445285. S2CID 198287435.

Ссылки

  1. ^ «Компьютерная диагностика: переломный момент для цифровой патологии». Ассоциация цифровой патологии. 27 апреля 2017 г.
  2. ^ Окден-Райнер, Люк (май 2019 г.). «Возрождение САПР: чем современный ИИ отличается от известных нам САПР?». Радиология: искусственный интеллект . 1 (3): e180089. doi :10.1148/ryai.2019180089. ISSN  2638-6100. PMC 8017402. PMID 33937793  . 
  3. ^ Bird, RE; Wallace, TW; Yankaskas, BC (1992). «Анализ случаев рака, пропущенных при скрининговой маммографии». Радиология . 184 (3): 613–617. doi :10.1148/radiology.184.3.1509041. PMID  1509041.
  4. ^ Бейкер, JA; Розен, EL; Ло, JY; и др. (2003). «Компьютерное обнаружение (САПР) в скрининговой маммографии: чувствительность коммерческих систем САПР для обнаружения архитектурных искажений». Американский журнал рентгенологии . 181 (4): 1083–1088. doi :10.2214/ajr.181.4.1811083. PMID  14500236.
  5. ^ Джанг, Х. Дж.; Ли, К. С.; Квон, О. Дж.; и др. (1996). «Бронхиолоальвеолярная карцинома: очаговая зона матово-стеклянного затухания на тонкосрезовой КТ как ранний признак». Радиология . 199 (2): 485–488. doi :10.1148/radiology.199.2.8668800. PMID  8668800.
  6. ^ Suzuki, K.; Li, F.; Sone, S.; Doi, K. (2005). «Компьютерная диагностическая схема для различения доброкачественных и злокачественных узлов в грудной низкодозной КТ с использованием массивной обучающей искусственной нейронной сети». IEEE Transactions on Medical Imaging . 24 (9): 1138–1150. doi :10.1109/tmi.2005.852048. PMID  16156352. S2CID  2690415.
  7. ^ Lostumbo, A.; Suzuki, K.; Dachman, AH (2010). «Плоские поражения в КТ-колонографии». Abdom Imaging . 35 (5): 578–583. doi :10.1007/s00261-009-9562-3. PMID  19633882. S2CID  13487349.
  8. ^ Ли, Эндрю С. (2023). Оцифровка диагностики: медицина, разум и машины в Америке двадцатого века . Johns Hopkins University Press. С. 1–256. ISBN 978-1421446813.
  9. ^ abc Yanase J, Triantaphyllou E (2019). «Систематическое исследование компьютерной диагностики в медицине: прошлое и настоящее». Экспертные системы с приложениями . 138 : 112821. doi : 10.1016/j.eswa.2019.112821. S2CID  199019309.
  10. ^ Shortliffe EH и Buchanan BG (1975). «Модель неточного рассуждения в медицине». Mathematical Biosciences . 23 (3–4): 351–379. doi :10.1016/0025-5564(75)90047-4. S2CID  118063112.
  11. ^ Miller RA, Pople Jr HE и Myers JD (1982). «Internist-I, экспериментальный компьютерный диагностический консультант для общей внутренней медицины». New England Journal of Medicine . 307 (8): 468–476. doi :10.1056/NEJM198208193070803. PMID  7048091.
  12. ^ Фейгенбаум, Эдвард; МакКордак, Памела (1984). Пятое поколение . Эддисон-Уэсли. С. 1–275. ISBN 978-0451152640.
  13. ^ Ричард М. Карп (1972). «Сводимость среди комбинаторных проблем» (PDF) . В RE Miller; JW Thatcher (ред.). Complexity of Computer Computations . New York: Plenum. стр. 85–103. Архивировано из оригинала (PDF) 29-06-2011 . Получено 14-08-2019 .
  14. ^ Doi K (2007). «Компьютерная диагностика в медицинской визуализации: исторический обзор, современное состояние и будущий потенциал». Computerized Medical Imaging and Graphics . 31 (4): 198–211. doi :10.1016/j.compmedimag.2007.02.002. PMC 1955762. PMID  17349778 . 
  15. ^ Эчегарай, Себастьян; Геварт, Оливье; Шах, Раджеш; Камая, Ая; Луи, Джон; Котари, Нишита; Напель, Сэнди (18 ноября 2015 г.). «Образцы керна для радиомикологических признаков, нечувствительных к сегментации опухоли: метод и пилотное исследование с использованием КТ-изображений гепатоцеллюлярной карциномы». Журнал медицинской визуализации . 2 (4): 041011. doi :10.1117/1.JMI.2.4.041011. PMC 4650964. PMID  26587549 . 
  16. ^ Murphy, K.; van Ginneken, B.; Schilham, AM; et al. (2009). «Крупномасштабная оценка автоматического обнаружения легочных узелков на КТ грудной клетки с использованием локальных характеристик изображения и классификации по методу k-ближайших соседей». Medical Image Analysis . 13 (5): 757–770. doi :10.1016/j.media.2009.07.001. hdl : 2066/81262 . PMID  19646913. S2CID  25181663.
  17. ^ Suzuki, K.; Armato, 3rd, SG; Li, F.; Sone, S.; Doi, K. (2003). «Искусственная нейронная сеть с массовым обучением (MTANN) для снижения ложных срабатываний при компьютерном обнаружении легочных узелков в низкодозной компьютерной томографии». Medical Physics . 30 (7): 1602–1617. Bibcode :2003MedPh..30.1602S. doi :10.1118/1.1580485. PMID  12906178.{{cite journal}}: CS1 maint: numeric names: authors list (link)
  18. ^ Чан, HP; Ло, SC; Сахинер, B.; и др. (1995). «Компьютерное обнаружение маммографических микрокальцификаций: распознавание образов с помощью искусственной нейронной сети». Medical Physics . 22 (10): 1555–1567. Bibcode :1995MedPh..22.1555C. doi :10.1118/1.597428. hdl : 2027.42/134770 . PMID  8551980.
  19. ^ Gletsos, Miltiades; Mougiakakou, Stavroula; Matsopoulos, George; Nikita, Konstantina; Nikita, Alexandra; Kelekis, Dimitrios (2003). «Компьютерная диагностическая система для характеристики очаговых поражений печени с помощью КТ: разработка и оптимизация классификатора нейронной сети». IEEE Transactions on Information Technology in Biomedicine . 7 (3): 153–162. doi :10.1109/TITB.2003.813793. PMID  14518728. S2CID  18918667.
  20. ^ Mougiakakou, Stavroula; Golemati, Spyretta; Gousias, Ioannis; Nicolaides, Andrew; Nikita, Konstantina (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.
  21. ^ Стоитсис, Джон; Валаванис, Иоаннис; Мугиакаку, Ставрула; Големати, Спиретта; Никита, Александра; Никита, Константина (2006). «Компьютерная диагностика на основе методов обработки медицинских изображений и искусственного интеллекта». Ядерные приборы и методы в физических исследованиях. Раздел A: Ускорители, спектрометры, детекторы и сопутствующее оборудование . 569 (2): 591–595. Bibcode : 2006NIMPA.569..591S. doi : 10.1016/j.nima.2006.08.134.
  22. ^ Чен, С.; Сузуки, К.; Макмахон, Х. (2011). «Разработка и оценка компьютерной диагностической схемы для обнаружения узелков в легких на рентгенограммах грудной клетки с помощью двухэтапного усиления узелков с классификацией опорных векторов». Медицинская физика . 38 (4): 1844–1858. Bibcode :2011MedPh..38.1844C. doi :10.1118/1.3561504. PMC 3069992 . PMID  21626918. 
  23. ^ Пападопулос, А.; Фотиадис, Д.И.; Ликас, А. (2005). «Характеристика кластерных микрокальцификаций в оцифрованных маммограммах с использованием нейронных сетей и машин опорных векторов». Artif Intell Med . 34 (2): 141–150. doi :10.1016/j.artmed.2004.10.001. PMID  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. ^ abcde Yanase J, Triantaphyllou E (2019). «Семь ключевых проблем 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, Р. Р.; Парк, Д. Ю.; Натович, М. Р. (2018). «Точность компьютерных диагностических инструментов 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 Х. В. (2008). «Компьютерные средства и второе чтение человеком как вмешательства в скрининговую маммографию: два систематических обзора для сравнения эффектов на выявление рака и показатель отзыва» (PDF) . Европейский журнал рака . 44 (6): 798–807. doi :10.1016/j.ejca.2008.02.016. PMID  18353630.
  29. ^ Бенджаменс, Стэн; Дхунну, Пранавсингх; Меско, Берталан (2020). «Состояние медицинских устройств и алгоритмов на основе искусственного интеллекта, одобренных FDA: онлайн-база данных». npj Digital Medicine . 3 : 118. doi :10.1038/s41746-020-00324-0. PMC 7486909. PMID  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. ^ Wu N, Gamsu G, Czum J, Held B, Thakur R, Nicola G (март 2006 г.). «Обнаружение небольших легочных узелков с использованием прямой цифровой радиографии и систем архивации и передачи изображений». J Thorac Imaging . 21 (1): 27–31. doi :10.1097/01.rti.0000203638.28511.9b. PMID  16538152. S2CID  31230950.
  32. ^ Giger, Maryellen Lissak; Doi, Kunio; MacMahon, Heber (1988-03-01). "Анализ особенностей изображения и компьютерная диагностика в цифровой рентгенографии. 3. Автоматизированное обнаружение узелков в периферических легочных полях". Medical Physics . 15 (2): 158–166. Bibcode :1988MedPh..15..158G. doi :10.1118/1.596247. ISSN  2473-4209. PMID  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, Дж.; Дичиотти, С.; Фалькини, М.; Виллари, Н.; Валли, Дж. (2003-12-01). «Нейронные сети для компьютерной диагностики: обнаружение узелков в легких на рентгенограммах грудной клетки». Труды IEEE по информационным технологиям в биомедицине . 7 (4): 344–357. doi :10.1109/TITB.2003.821313. ISSN  1089-7771. PMID  15000360. S2CID  15121082.
  35. ^ Giger, ML; Bae, KT; MacMahon, H. (1994-04-01). «Компьютерное обнаружение легочных узелков на изображениях компьютерной томографии». Investigative Radiology . 29 (4): 459–465. doi :10.1097/00004424-199404000-00013. ISSN  0020-9996. PMID  8034453. S2CID  9800069.
  36. ^ Каназава, К.; Кавата, Ю.; Ники, Н.; Сато, Х.; Омацу, Х.; Какинума, Р.; Канеко, М.; Морияма, Н.; Эгучи, К. (1998-03-01). «Компьютерная диагностика легочных узелков на основе спиральных КТ-изображений». Computerized Medical Imaging and Graphics . 22 (2): 157–167. doi :10.1016/S0895-6111(98)00017-2. ISSN  0895-6111. PMID  9719856.[ постоянная мертвая ссылка ]
  37. ^ Чэнь, Шэн; Чжун, Сикай; Яо, Липин; Шан, Яньфэн; Сузуки, Кэндзи (2016). «Улучшение рентгенограмм грудной клетки, полученных в отделении интенсивной терапии, посредством 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. S2CID  206020910.
  38. ^ Чен, С.; Сузуки, К. (2014-02-01). «Разделение костей на рентгенограммах грудной клетки с помощью анатомически специфичных множественных массивно-обучаемых ИНС в сочетании с минимизацией общей дисперсии сглаживания». Труды IEEE по медицинской визуализации . 33 (2): 246–257. doi :10.1109/TMI.2013.2284016. ISSN  0278-0062. PMID  24132005. S2CID  922550.
  39. ^ Suzuki, K.; Abe, H.; MacMahon, H.; Doi, K. (2006-04-01). "Метод обработки изображений для подавления ребер на рентгенограммах грудной клетки с помощью массивной обучающей искусственной нейронной сети (MTANN)". IEEE Transactions on Medical Imaging . 25 (4): 406–416. CiteSeerX 10.1.1.589.8748 . doi :10.1109/TMI.2006.871549. ISSN  0278-0062. PMID  16608057. S2CID  17961280. 
  40. ^ LOOG, M; VANGINNEKEN, B; SCHILHAM, A (2006-12-01). «Обучение фильтрам: применение для подавления костных структур на рентгенограммах грудной клетки». Medical Image Analysis . 10 (6): 826–840. doi :10.1016/j.media.2006.06.002. ISSN  1361-8415. PMID  16859953.
  41. ^ Чен, С.; Сузуки, К. (2013-02-01). «Компьютерное обнаружение легочных узелков с помощью #x201C; Виртуальная двухэнергетическая #x201D; Радиография». Труды IEEE по биомедицинской инженерии . 60 (2): 369–378. doi :10.1109/TBME.2012.2226583. ISSN  0018-9294. PMC 4283823. PMID  23193306 . 
  42. ^ Белл, ЛТО; Ганди, С. (2018). «Сравнение программ компьютерного обнаружения (CAD) для идентификации колоректальных полипов: анализ производительности и чувствительности, текущие ограничения и практические советы для рентгенологов». Клиническая радиология . 73 (6): 593.e11–593.e18. doi :10.1016/j.crad.2018.02.009. PMID  29602538. S2CID  4500060.
  43. ^ Suzuki, Kenji; Yoshida, Hiroyuki; Näppi, Janne; Dachman, Abraham H. (2006-10-01). "Искусственная нейронная сеть с массовым обучением (MTANN) для снижения ложных срабатываний при компьютерном обнаружении полипов: подавление ректальных труб". Medical Physics . 33 (10): 3814–3824. Bibcode :2006MedPh..33.3814S. doi :10.1118/1.2349839. ISSN  2473-4209. PMID  17089846.
  44. ^ Golemati, Spyretta; Nikita, Konstantina (2019). Cardiovascular Computing-Methodologies and Clinical Applications . Springer.
  45. ^ Gastounioti, Aimilia; Makrodimitris, Stavros; Golemati, Spyretta; Kadoglou, Nikolaos; Liapis, Christos; Nikita, Konstantina (2014). «Новый компьютеризированный инструмент для стратификации риска при атеросклерозе сонных артерий с использованием кинематических характеристик артериальной стенки». IEEE Journal of Biomedical and Health Informatics . 19 (3): 1137–1145. doi : 10.1109/JBHI.2014.2329604 . PMID  24951709. S2CID  5924749.
  46. ^ Golemati, Spyretta; Gastounioti, Aimilia; Nikita, Konstantina (2013). «К новым неинвазивным и недорогим маркерам для прогнозирования инсультов при бессимптомном атеросклерозе сонных артерий: роль анализа ультразвуковых изображений». IEEE Transactions on Biomedical Engineering . 60 (3): 652–658. doi :10.1109/TBME.2013.2244601. PMID  23380846. S2CID  5653986.
  47. ^ Golemati, Spyretta; Patelaki, Eleni; Gastounioti, Aimilia; Andreadis, Ioannis; Liapis, Christos; Nikita, Konstantina (2020). «Модели синхронизации движения атеросклеротической бляшки сонной артерии с помощью ультразвука в В-режиме». Scientific Reports . 10 (1): 11221. Bibcode :2020NatSR..1011221G. doi :10.1038/s41598-020-65340-2. PMC 7343786 . PMID  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. ^ Golemati, Spyretta; Gastounioti, Aimilia; Nikita, Konstantina (2016). «Оценка движения сердечно-сосудистой ткани на основе ультразвуковых изображений». Обзоры IEEE по биомедицинской инженерии . 9 : 208–218. doi :10.1109/RBME.2016.2558147. S2CID  23333131.
  50. ^ Gastounioti, Aimilia; Golemati, Spyretta; Stoitsis, John; Nikita, Konstantina (2013). «Анализ движения стенки сонной артерии с помощью ультразвука в B-режиме с использованием адаптивного сопоставления блоков: оценка in silico и применение in vivo». Physics in Medicine and Biology . 58 (24): 8647–8661. Bibcode :2013PMB....58.8647G. doi :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 атеросклеротией». Компьютерные методы и программы в биомедицине . 114 (2): 183–193. дои : 10.1016/j.cmpb.2014.02.006. ПМИД  24636805.
  52. ^ Goldenberg, Roman; Eilot, Dov; Begelman, Grigory; Walach, Eugene; Ben-Ishai, Eyal; Peled, Nathan (2012). «Computer-aided simple triage (CAST) for coronary CT angiography (CCTA)». International Journal of Computer Assisted Radiology and Surgery . 7 (6): 819–827. doi :10.1007/s11548-012-0684-7. ISSN  1861-6410. PMID  22484719. S2CID  5627031.
  53. ^ Чаплот, Сандип; Патнаик, Л.М.; Джаганнатхан, Н.Р. (2006). «Классификация магнитно-резонансных изображений мозга с использованием вейвлетов в качестве входных данных для машины опорных векторов и нейронной сети». Биомедицинская обработка сигналов и управление . 1 : 86–92. doi :10.1016/j.bspc.2006.05.002.
  54. ^ Майтра, Мадхубанти; Чаттерджи, Амитава (2006). «Интеллектуальная система на основе преобразования Slantlet для классификации изображений мозга с помощью магнитного резонанса». Биомедицинская обработка сигналов и управление . 1 (4): 299–306. doi :10.1016/j.bspc.2006.12.001.
  55. ^ Ван, С.; Ву, В. (2010). «Новый метод классификации изображений мозга с помощью магнитного резонанса на основе адаптивного хаотического PSO». Прогресс в исследованиях электромагнетизма . 109 : 325–343. doi : 10.2528/PIER10090105 .
  56. ^ Чжан, Юйдун; У, Л. (2011). «Классификация магнитно-резонансных изображений мозга с помощью улучшенного алгоритма искусственной колонии пчел». Прогресс в исследованиях электромагнетизма . 2011 : 65–79. doi : 10.2528/PIER11031709 .
  57. ^ ab Padma, A.; Sukanesh, R. (2014). «Сегментация и классификация изображений КТ мозга с использованием комбинированных вейвлет-статистических текстурных признаков». Arabian Journal for Science and Engineering . 39 (2): 767–776. doi :10.1007/s13369-013-0649-3. S2CID  62615810.
  58. ^ Чжан, Юйдун; Дун, Чжэнчао; Цзи, Гэнлинь (2015). «Эффект паутинной сети в классификации изображений мозга на МРТ». Pattern Recognition Letters . 62 : 14–16. Bibcode : 2015PaReL..62...14Z. doi : 10.1016/j.patrec.2015.04.016.
  59. ^ Чжан, И.; Ван, С.; Цзи, Г.; Донг, З. (2013). «Поиск генетических паттернов и его применение для классификации изображений мозга». Математические проблемы в инженерии . 2013 : 1–8. doi : 10.1155/2013/580876 .
  60. ^ Das S.; Chowdhury M.; Kundu MK (2013). «Классификация изображений МРТ мозга с использованием многомасштабного геометрического анализа пульсаций». Прогресс в исследованиях электромагнетизма . 137 : 1–17. doi : 10.2528/pier13010105 .
  61. ^ Чжан, И.; Ван, С. (2013). «Система классификации изображений мозга с помощью МР-томографии с оптимизацией роя частиц и машины опорных векторов ядра». Журнал Scientific World . 2013 : 130134. doi : 10.1155/2013/130134 . PMC 3791634. PMID  24163610 . 
  62. ^ Kalbkhani H.; Shayesteh MG; Zali-Vargahan B. (2013). «Надежный алгоритм классификации изображений магнитного резонанса (МРТ) мозга на основе серий дисперсий GARCH». Biomedical Signal Processing and Control . 8 (6): 909–919. doi :10.1016/j.bspc.2013.09.001.
  63. ^ Эль-Дахшан ESA; Мохсен ХМ; Реветт К.; и др. (2014). «Компьютерная диагностика опухолей человеческого мозга с помощью МРТ: обзор и новый алгоритм». Expert Systems with Applications . 41 (11): 5526–5545. doi :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 . Конспект лекций по информатике. Том 9043. С. 201–209. doi :10.1007/978-3-319-16483-0_20. ISBN 978-3-319-16482-3.
  65. ^ Чжан, Юйдун; Ван, Шуйхуа; Дун, Чжэнчао (2014). «Классификация болезни Альцгеймера на основе структурной магнитно-резонансной томографии с использованием дерева решений машины опорных векторов ядра». Прогресс в исследованиях электромагнетизма . 144 : 185–191. doi : 10.2528/PIER13121310 .
  66. ^ Signaevsky, Maxim; Prastawa, Marcel; Farrell, Kurt; Tabish, Nabil; Baldwin, Elena; Han, Natalia; Iida, Megan; Koll, John; Bryce, Clare; Purohit, Dushyant; Haroutunian, Vahram; McKee, Ann; Stein, Thor; White-III, Charles; Walker, Jamie; Richardson, Timothy; Hanson, Russell; Cordon-Cardo, Carlos; Donovan, Michael; Zeineh, Jack; Fernandez, Gerardo; Crary, John (2019). «Искусственный интеллект в невропатологии: оценка тауопатии на основе глубокого обучения». Laboratory Investigation . 99 (7): 1019–1029. doi : 10.1038/s41374-019-0202-4 . PMC 7684013 . PMID  30770886. 
  67. ^ Фристон, К.; Полин, Дж. П.; Холмс, К. Дж.; Фрит, К. Д.; Фраковяк, Р. С. (1996). «Многомерный анализ исследований активации ПЭТ». Hum. 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. S2CID  9074888.
  68. ^ Мартинес-Мурсия, Ф. Дж.; Горрис, Х. М.; Рамирес, Х.; Пунтонет, К. Г.; Иллан, И. А. (2013). «Карты функциональной активности на основе мер значимости и анализа независимых компонентов». Компьютерные методы и программы в биомедицине . 111 (1): 255–268. doi :10.1016/j.cmpb.2013.03.015. PMC 6701938. PMID  23660005 . 
  69. ^ Dong, ZC (2015). «Обнаружение субъектов и областей мозга, связанных с болезнью Альцгеймера, с использованием 3D-сканирования МРТ на основе собственного мозга и машинного обучения». Frontiers in Computational Neuroscience . 66 (9): 66. doi : 10.3389/fncom.2015.00066 . PMC 4451357 . PMID  26082713. 
  70. ^ Чжан, J.; Ю, C.; Цзян, G.; Лю, W.; Тонг, L. (2012). «Анализ 3D-текстуры на изображениях МРТ болезни Альцгеймера». Brain Imaging and Behavior . 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. ПМЦ 2837195 . ПМИД  19437497. 
  72. ^ Мартинес-Мурсия, Ф. Дж.; Горрис, Дж. М.; Рамирес, Дж.; Ортис, А. (2016). «Сферическое картирование мозга на МРТ-изображениях для обнаружения болезни Альцгеймера». Current Alzheimer Research . 13 (5): 575–588. doi : 10.2174/1567205013666160314145158. hdl : 10481/42543 . PMID  26971941. S2CID  30472186.
  73. ^ "EXINI Диагностика".
  74. ^ Хуан, Као и Чэнь (18 июня 2007 г.). «Набор алгоритмов обработки изображений для компьютерной диагностики в ядерной медицине. Изображения сканирования костей всего тела». Труды IEEE по ядерной науке . 54 (3): 514–522. Bibcode : 2007ITNS...54..514H. doi : 10.1109/TNS.2007.897830. S2CID  20730927.
  75. ^ abcde Каур, М; Талвар, Р (2014). «Обзор: извлечение кровеносных сосудов и обнаружение ретинопатии глаз». Международный журнал компьютерных наук и информационных технологий . 5 (6): 7513–7516. S2CID  17460643.
  76. ^ ab Tufail, A; Rudisill, C; Egan, C; Kapetanakis, VV; Salas-Vega, S; Owen, CG; Lee, A; Louw, V; Anderson, J; Liew, G; Bolter, L; Srinivas, S; Nittala, M; Sadda, S; Taylor, P; Rudnicka, AR (nd). «Автоматизированное программное обеспечение для оценки изображений диабетической ретинопатии: диагностическая точность и экономическая эффективность по сравнению с человеческими оценщиками». Офтальмология . 124 (3): 343–351. doi : 10.1016/j.ophtha.2016.11.014 . PMID  28024825.{{cite journal}}: CS1 maint: year (link)
  77. ^ abcdefg Ахмад, А.; Мансур, АБ; Мумтаз, Р.; Хан, М.; Мирза, Ш. (2014-12-01). «Обработка изображений и классификация при диабетической ретинопатии: обзор». 2014 5-й Европейский семинар по обработке визуальной информации (EUVIP) . стр. 1–6. doi :10.1109/EUVIP.2014.7018362. ISBN 978-1-4799-4572-6. S2CID  16465894.
  78. ^ Fraz, MM; Barman, SA; Remagnino, P.; Hoppe, A.; Basit, A.; Uyyanonvara, B.; Rudnicka, AR; Owen, CG (2012-11-01). "Подход к локализации кровеносных сосудов сетчатки с использованием битовых плоскостей и обнаружения центральной линии". Comput. Methods Prog. Biomed . 108 (2): 600–616. doi :10.1016/j.cmpb.2011.08.009. ISSN  0169-2607. PMID  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, Заин ул (2023-11-10). "Что такое CAD/CAM?" . Получено 2024-02-07 .
  81. ^ Салех, Марван Д.; Эсваран, К. (2012-10-01). «Автоматизированная система поддержки принятия решений при непролиферативной диабетической ретинопатии на основе обнаружения MA и HA». Comput. Methods Prog. Biomed . 108 (1): 186–196. doi :10.1016/j.cmpb.2012.03.004. ISSN  0169-2607. PMID  22551841.
  82. ^ ab Antal, B.; Hajdu, A. (2012-06-01). «Система на основе ансамбля для обнаружения микроаневризм и оценки диабетической ретинопатии». IEEE Transactions on Biomedical Engineering . 59 (6): 1720–1726. arXiv : 1410.8577 . doi : 10.1109/TBME.2012.2193126. ISSN  0018-9294. PMID  22481810. S2CID  16382245.
  83. ^ ab Administrator (2015-05-20). "Обзор: Определение 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. ^ 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.). «AI Versus MD» The New Yorker . Получено 3 февраля 2018 г.
  87. ^ «Почему искусственный интеллект для чтения изображений — плохая новость для рентгенологов». The Economist . 29 ноября 2017 г. Получено 3 февраля 2018 г.
  88. ^ Джа, Саурабх; Тополь, Эрик Дж. (13 декабря 2016 г.). «Адаптация к искусственному интеллекту». JAMA . 316 (22): 2353–2354. doi :10.1001/jama.2016.17438. PMID  27898975. S2CID  3662362.

Внешние ссылки