Помощь в написании студенческих работ
Антистрессовый сервис

Методы и алгоритмы морфологического анализа изображений в автоматизированной системе диагностики диабетической ретинопатии

Диссертация: Методы и алгоритмы морфологического анализа изображений в автоматизированной системе диагностики диабетической ретинопатии
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработан метод сегментации сложноструктурируемых изображений, предназначенный для автоматизированной системы морфологич еского анализа изображений глазного дна, построенный на основе градиентной обработки исходного черно-белого изображения, в котором процесс получения бинарного изображения, отражающего морфо л огическую структуру исходного изображения, разбит на три последовательных этапа… Читать ещё >

Методы и алгоритмы морфологического анализа изображений в автоматизированной системе диагностики диабетической ретинопатии (реферат, курсовая, диплом, контрольная)

Содержание

  • СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
  • ГЛАВА 1. МЕТОДЫ’ПРОЕКТИРОВАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ДИАГНОСТИЧЕСКИХ СИСТЕМ, АНАЛИЗИРУЮЩИХ СТРУКТУРУ ИЗОБРАЖЕНИЙ ГЛАЗНОГО ДНА
    • 1. 1. Особенности изображений глазного дна, получаемых посредством методики электронного фотографирования глазного дна с помощью ретинофота
    • 1. 2. Способы диагностики зрительных патологий
    • 1. 3. Программно-аппаратные комплексы, для реализации алгоритмов обработки изображений глазного дна
    • 1. 4. Интеллектуальные технологии для классификации объектов и принятия решений
    • 1. 5. Цели и задачи исследования
    • ГЛАВА 2. ИНТЕЛЛЕКТУАЛЬНЫЕ ОПЕРАТОРЫ ДЛЯ СЕГМЕНТАЦИИ СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗО БР АЖЕНИЙ
      • 2. 1. Исследование градиентных методов при сегментации с л ожноструктуриру емых изображений
      • 2. 2. Разработка алгоритма сегментации сложноструктурируемых изображений
      • 2. 3. Синтез м ор фо л оги чес ко го оператора для препарирования изображения
      • 2. 4. Нечеткая модель формирования бинарного изображения границы сегмента
      • 2. 5. Выводы второй главы
  • ГЛАВА 3. СПОСОБЫ И АЛГОРИТМЫ АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ СОСТОЯНИЯ ГЛАЗНОГО ДНА ПРИ
  • ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИИ
    • 3. 1. Алгоритмы формирования процедур анализа изображения глазного дна на примере диагностики диабетической ретинопатии
    • 3. 2. Процедуры препарирования изображения глазного дна для исследования на наличие диабетической ретинопатии
    • 3. 3. Процедуры измерения диаметра вен 1-го, 2-го и 3-го порядков при исследовании изображения глазного дна
    • 3. 4. Процедуры проверка изображения глазного дна на наличие экссудатов, отека макулы и кровоизлияния
    • 3. 5. Проблема масштабирования
    • 3. 6. Программная реализация функций предварительной обработки изображения глазного дна
    • 3. 7. Выводы третьей главы
  • ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ ГЛАЗНОГО ДНА. еевсевее в'" еевввв (c)ев (c)вов"е (c)(c)е®вв (c)ввв (c)в®(c)вв (c)ввв (c)ве (c)вв (c)вввввввев (c)вво (c)ев (c)ве (c)(c)о®(c)ввевв (c)вв (c)евевеввеввв
    • 4. 1. Разработка нейросетевых моделей принятия решений по результатам анализа фотографий флюоресцентных ангиограмм глазного дна
    • 4. 2. Структура автоматизированной системы анализа изображений глазного дна и алгоритм ее работы
    • 4. 3. Экспериментальные исследования качества сегментации изображения глазного дна при различных видах патологий
    • 4. 4. Выводы четвертой главы
    • 3. Л1Е (c)в (c)е0евеввеевр®ее (c)вв®евв (c)оевееввеввееве (c)евевввв (c)(c)в (c)"е (c)во (c)евееввеввввввввввввввеввв (c)вевввв1вво"веве

Актуальность темы

Диабетическая ретинопатия (ДР) занимает одно из первых мест среди глазной патологии, приводящей к полной потере зрения и инвалидности. Широкая распространенность сахарного диабета (СД) (в развитых странах болеют до 4 — 5% населения) влечет за собой и рост числа больных ретинопатией. Несмотря на совершенствование методов контроля состояния больных СД, потеря зрения в результате осложнений СД остается очень серьезной проблемой. Это обусловлено, с одной стороны, тем, что на ранних стадиях ДР больные не предъявляют жалоб на снижение зрения, с другой — тем, что поражение сетчатки на ранних стадиях заболевания очень трудно выявить: для этого необходим тщательный квалифицированный офтальмологический контроль с применением современных методик.

Основными методами диагностики ДР считаются офтальмоскопия и ФАГД (флуоресцентная ангиография глазного дна). Во врачебной практике наличие патологических аномалий на изображении глазного дна определяется визуальным способом, что связано с высокой трудоемкостью и субъективностыо оценки. Более того, эти изображения не имеют четкого морфологического описания сегментов и относятся к классу сложноструктурируемых изображений. При этом сложности структурирования таких изображений обусловлены как природой самою изображения, связанной с неравномерностью освещенности сегментов глазного дна и трудностями формализации описаний его морфологических структур, так и с зашумленностью хорошо структурируемых фрагментов изображения. Низкое качество сегментации таких изображений и отсутствие возможности объективного описания патологических структур приводит к тому, что большинство автоматизированных систем многоцелевого назначения не предназначены для определения патологий, а выполняют ряд вспомогательных операций, позволяющих повысить оперативность и (или) качество принимаемых решений.

Таким образом, актуальной научно-технической задачей исследования является повышение качества диагностики патологических состояний на основе объективного анализа и количественной оценки патологических сегментов изображения глазного дна.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009;2013 годы (государственный контракт № П424 от 12 мая 2010 г.) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Системы медицинского назначения для сегментации и классификации сложноструктурируемых изображений.

Предмет исследования. Методы и алгоритмы морфологического анализа изображений глазного дна для систем интеллектуальной поддержки диагностики диабетической ретинопатии.

Цель работы. Разработка методов и алгоритмов морфологического анализа изображений глазного дна для автоматизированной диагностики диабетической ретинопатии, обеспечивающих повышение качества выявления патологий в условиях нечетко выраженных границ сегментов.

Для достижения поставленной цели решены следующие задачи:

• исследовать методы и средства сегментации и классификации морфологических структур сложноструктурируемых изображений;

• разработать метод сегментации сложноструктурируемых изображений, предназначенный для автоматизированной системы морфологического анализа изображений глазного дна, а также структурные и алгоритмические решения для его реализации;

• разработать алгоритмическое и программное обеспечение для автоматизированной системы диагностики диабетической ретинопатии;

• разработать метод классификации морфологических образований на флюоресцентных ангиограммах глазного дна;

• провести апробацию предложенных методов, алгоритмов и специального программного обеспечения в клинической практике врача-офтальмолога.

Методы исследования. Для решения поставленных задач использовались методология искусственного интеллекта, методы морфологического анализа изображений, теории нейронных сетей и распознавания образов, теории нечеткой логики принятия решений, экспертного оценивания, статистического анализа, экспертного оценивания и принятия решений. При разработке нейросетевых моделей и модулей нечеткого вывода в качестве инструментария использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

— метод сегментации сложноструктурируемых изображений, построенный на основе градиентной обработки исходного черно-белого изображения, отличающийся тем, что процесс получения бинарного изображения, отражающего морфологическую структуру исходного изображения, разбит на три последовательных этапа: на первом этапе получают векторизованное изображение, на втором этапе получают препарирован мое векторизованное изображение, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, о су ществл я е м ы й посредством нечеткой нейросетевой модели;

— интеллектуальный оператор, предназначенный для формирования границы сегмента, реализованный в виде многослойной нечеткой сети, включающей базу решающих правил и агрегирующие и классифицирующие слои, позволяющий реализовать итерационный процесс активации пикселей границы сегмента;

— гибридная нейронная сеть, отличающаяся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию патологических сегментов по пространственно-яркостным характеристикам пикселей изображения, и последовательно включенной радиально-базисной нейронной сетью, позволяющая классифицировать морфологические образования на фотографиях флюоресцентных ангиограмм глазного дна.

Практическая значимость и результаты внедрения работы.

Разработанные методы и алгоритмы составили основу построения автоматизированной системы для врача — офтальмолога, предназначенной для диагностики диабетической ретинопатии, экспериментальные испытания которой показали целесообразность ее использования в медицинской практике. Применение предложенных в диссертации разработок позволяет создавать информационное обеспечение для проведения лечебно-оздоровительных мероприятий.

Основные теоретические и практические результаты работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200 402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки эксперимеитальных данных»), в НИР 1.15.10Ф гос. per. № 1 201 059 181 от 07.09.2010, выполняемой по заказу Министерства образования и науки РФ и использованы в ходе профилактических обследований больных сахарным диабетом в ОБУЗ Офтальмологическая клиническая больница — Офтальмологический центр (г. Курск).

Экономическая и социальная значимость результатов диссертационного исследования состоит в улучшении качества медицинского обслуживания населения, страдающего сахарным диабетом.

Соответствие диссертации паспорту научной специальности. Содержание диссертации соответствует п. 2 «Исследование, разработка и создание медицинской техники, изделий, инструментов, методов и способов диагностики и лечения человека, которые рассматриваются как средства восстановления нарушенной поливариантной системы» области исследования специальности 05.11.17 — Приборы, системы и изделия медицинского назначения.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Международной научно-практической конференции «Информационные технологии в медицинских и педагогических исследованиях (Курск, 2009) — на XVII, XVIII и XIX Международных конференциях «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2009, 2010, 2011) — на I Международной конференции «Инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург, 2010) — IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль, 2010) — на XIII и XIV Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2010, 2011) — на Международной научно-технической конференции «Интегральные процессы в науке-2011» (Курск, 201 Г), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2009, 2010, 2011).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 14 печатных работ, из них 4 работы в рецензируемых научных журналах.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [8], [10] и [13] автор предложил алгоритмы синтеза морфологических операторов для обработки изображений биомедицинских сигналовв [2], [3], [4] и [11] соискателем предложены структуры нечетких нейросетевых решающих модулей и алгоритмы их обучения, предназначенных для сегментации изображений глазного днав [5], [7] и [12] автором разработаны алгоритмические решения анализа изображений глазного дна на основе нечеткого моделирования принятия решенийв [12] соискатель предложил гибридные нейросетевые информационные технологии сегментации изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 88 отечественных и 19 зарубежных наименований. Работа изложена на 132 страницах машинописного текста, содержит 55 рисунков и 7 табл иц.

4.4. Выводы четвертой главы.

1. Разработан метод классификации морфологических образований на флюоресцентных ан программах глазного, основанный на гибридной технологии нейросетевого моделирования, позволяющий классификацировать патологические сегменты по пространственно-яркостным характеристикам пикселей изображения.

2. Разработана структура гибридной нейронной сети и алгоритмы ее настройки, предназначенная для классификации флюоресцентных анпрограмм глазного дна, отличающаяся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию патологических сегментов по пространственно-яркостным характеристикам пикселей изображения, и последовательно включенной РБНС, число локальных центров которой равно числу дифференцируемых патологических образований или морфологических структур, позволяющая реализовать интеллектуальную поддержку анализа изображений глазного дна.

3. Разработана автоматизированная система анализа изображений глазного дна, которая обеспечивает поддержку принятия решений при диагностики офтальмологических и сопутствующих патологий. Функциональные возможности системы кроме сегментации цветных и черно-белых изображений глазного дна: ввод и предварительная обработка изображений глазного дна, автоматическая или полуавтоматическая трассировка сегментов сосудов, количественная оценка диагностических параметров микроциркуля-торного русла, построение функции изменения диаметра сосуда вдоль выделенного участка, определение углов разветвлений, автоматическое введение базы данных по пациентам, изображениям и измерениям, локальные методы обпябпТТГЪТ ГЛТ^ТГГПЯ Л/ГРТП7ТГ.Т п (л1~*я (лгттгтх тл/л1−10т/-аттттгт т> ttoita." тхттту —х———ъ v i wv^wuuiim ?> Jm^JiWlVl УЛЛГ1 t^i VJ выделенных фрагментов.

4. Предложен способ оценки эффективности сегментации, заключающийся в определении характеристик выделения различных патологических образований и морфологических структур изображений глазного дна для j различных способов сегментации и сопоставления ошибок первого рода при фиксированном числе ошибок второго рода и получена сравнительная оценка эффективности сегментации для различных методов.

5. Проведены экспериментальные исследования, врезультате которых получены характеристики выделения для ряда классов патологических образований и морфологических структур изображения глазного дна, приведена сравнительная оценка эффективности предложенных и известных способов сегментации. Полученные сравнительные характеристики известных методов диагностики ДР и предлагаемой автоматизированной системы диагностики.

ДР. {.

ЗАКЛЮЧЕНИЕ

.

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для анализа сложноструктурируемых изображений в автоматизированных системах диагностики диабетической ретинопатии.

В результате выполнения работы получены следующие основные результаты.

1. Проанализированы существующие методы и средства сегментации и классификации сложноструктурированных изображений, выявлены их достоинства и недостатки. На основе проведенного анализа предложено в автоматизированных системах диагностики диабетической ретинопатии по результатам морфологического анализа изображений глазного дна использовать интеллектуальные операторы, основанные на нейросетевых моделях и нечеткой логике принятия решений.

2. Разработан метод сегментации сложноструктурируемых изображений, предназначенный для автоматизированной системы морфологич еского анализа изображений глазного дна, построенный на основе градиентной обработки исходного черно-белого изображения, в котором процесс получения бинарного изображения, отражающего морфо л огическую структуру исходного изображения, разбит на три последовательных этапа: на первом этапе получают векторизованное изображение, на втором этапе получают препарированное векторизованное изображение, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, осуществляемый посредством интеллектуального м орф о л огичес ко го оператора.

3. Разработан интеллектуальный оператор формирования границы сегмента, р е, а л и з о в, а н н ы й в виде многослойной нечеткой иейросетевой модели, включающей базу решающих правил и агрегирующие и классифицирующие слои, позволяющий реализовать итерационный процесс активации пикселей границы сегмента, и построен алгоритм его функционирования, включающий процедуру выбора начального пикселя границы сегмента и процедуру определения конца границы сегмента.

4. Разработано алгоритмическое и программное обеспечения для автоматизированной системы диагностики диабетической ретинопатии, включающие:

— алгоритм диагностики диабетической ретинопатии на основе автоматизированного анализа морфологических структур изображения глазного дна, обеспечивающий последовательность процедур проверки наличия патологических образований на изображении глазного дна, позволяющий выявить стадии и осуществить дифференциальную диагностику диабетической ретинопатии- (.

— алгоритмы реализации процедур анализа изображения глазного дна;

— программное обеспечение для реализации алгоритмов и процедур диагностики диабетической ретинопатии;

— программное обеспечение формирования интерфейсных окон для этих процедур, предназначенных для анализа изображений глазного дна, позволяющее осуществить подготовку изображения для процедур автоматической диагностики патологических образований.

5. Разработан метод классификации морфологических образований на флюоресцентных ангиограммах глазного дна, основанный на гибридной технологии нейросетевого моделирования, позволяющий классифицировать патологические сегменты по пространственно-яркостным характеристикам пикселей изображения.

6. Проведенные клинические испытания автоматизированной системы показали, что ее показатели качества при выявлении больных диабетической ретинопатией, в среднем, превосходят на 14% аналогичные системы такого же назначения, что позволяет рекомендовать ее использование в клинической практике.

Показать весь текст

Список литературы

  1. , С.А. Прикладная статистика. Основы эконометрики: учебник для вузов: В 2 т. Т. 2. Основы эконометрики. / С. А. Айвазян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 432 с,
  2. , С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика / С. А. Айвазян, B.C. М^итрян. 2-е изд., испр. М: ЮНИТИ-ДАНА, 2001. 656 с.
  3. , C.B. Повышение качества распознавания сцен нейронной сетью «Неокогнитрон» / C.B. Аксёнов, В. Б. Новосельцев // Известия Томского политехнического университета. 2006. Т. 309. № 7. С.87−91.
  4. , A.M. Сегментация низкоконтрастных изображений с применением иерархической модели Марковского случайного поля / A.M. Ахметшин, А. Е. Федоренко // Искусственный интеллект 2002. № 4. С.414−421.
  5. , Л.Г. Адаптивная инверсная фильтрация низкоконjтрастных изображений -на основе комбинации методов автоморфного отображения и нейросетевого синтеза. / Л. Г. Ахметшина, A. M Ахметшин. // Искусственный интеллект. 2006. № 4. С. 264−274.
  6. , Е.А. Статистическая кластеризация для выделения регионов изображений / Е. А. Башков, OJI. Вовк // Зб1рник праць V М1жнародно'1 науково! конференцп «1нтелектуальний анал! з шформацп». -«Просв1та», Kiiib. 2005. С. 50−59.
  7. Н. Математика в биологии и медицине / Н. Бейли // М.: Мир. 1970.
  8. , И. А. Применение принципов формального моделирования для классификации медицинских изображений / И. А. Беляев, С. В. Ку-черявский // Барнаул МКО. Т2. 2007. С. 355−361.
  9. , А.Н. Спектральный анализ сегментов изображения глазного дна для количественной оценки сосудистой патологии / А. Н. Брежнева, P.A. Томакова, С.А. Филист// Биомедицинская радиоэлектроника. 2009. № 6. С. 15−18.
  10. , А. Выделение связных областей в цветных и полутоновых изображениях / А. Вежневец//' On-Line журнал Графика и мультимедиа. 2003.
  11. , А. Методы сегментации изображений: автоматическая сегментация / А. Вежневец, О. Бари нова // Режим доступа: http ://cgm.computergraphics.ru/content/view/147.
  12. , Е.А. Предварительная обработка изображений методами интеллектуального анализа многомерных данных. / Е. А. Вершовский //'Известия Южного федерального университета. Технические науки. 2008. Т. 79. № 2.
  13. Гай, Е. В. Адаптивный алгоритм сегментации изображений / В. Е, Гай, А. Л. Жизняков // Муромский институт (филиал) Владимирского государственного университета им. А.Г. и Н. Г. Столетовых. Инфокоммуникаци-онные технологии. Т.6, № 4. 2008. С. 96−101.
  14. Г. Л., Гиббсовские случайные поля как вероятностные модели изображений на нижнем уровне вычислительного зрения. / Г. Л. Гимелъфарб, A.B. Залесный //Методы обработки сигналов и полей: Межвузовский сборник научных трудов. Ульяновск. 1995.
  15. , A.B. Методы коррел я ционн о го обнаружения объектов. / A.B. Гиренко, В. В. Ляшенко, Машталир и др. // Харьков. АО «БизнесИн-форм». 1996. 112 с.
  16. , Р. Цифровая обработка изображений в среде Matlab / Р. Гонсалес, Р. Вудс, С. Эддинс. М.: Техносфера, 2006. 616 с.
  17. , В.А. Корреляционные методы распознавания изображений путем голосования систем фрагментов/ В. А. Гороховатский,
  18. Е.О. Передрий//Радиоэлектроника. Информатика. Управление. № 1. 2009. j
  19. , A.B. Цифровая обработка сигналов: Тематические лекции / A.B. Давыдов //Екатеринбург: УГГУ, ИГиГ, кафедра геоинформатики. -2007−2010. Режим доступа: http://www.prodav.narod.ru/dsp/index.html.
  20. , C.B. Оптико-электронное устройство для диагностики тромбоза глубоких вен голени / C.B. Дегтярев, С. Ю. Мирошниченко // Вестник новых медицинских технологий. Тульский государственный университет. 2006. Т. 13, № 2. С. 156−157.
  21. , О.И. Адаптивная нейросетевая система визуализацииизображений, распознавания и классификации микрообъектов / О.И. Джумаjнов // Проблемы информатики. 2009. С. 63 72.
  22. Диаморф объектив современное программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях. Режим доступа: http://www.diamorph.ru/aboutprog.http.
  23. , A.B. Распознавание дерматоглифических признаков на основе нейронных сетей / A.B. Дмитриев, А. Н. Ветров // Медицинские информационные системы МИС-2006. Таганрогский государственный радиотехнический университет. Таганрог. 2006. С. 162−167.
  24. Дюк, В. Обработка данных на ПК в примерах / В. Дюк. -СПб: Питер, 1997. 240 с.
  25. , A.B. Алгоритм поиска примитивов на фотографиях с применением нейронных сетей/ A.B. Ермоленко, A.A. Козличенков // Часть 2. Нейроинформатика. 2010.
  26. , В.В. Теоретические основы компьютерных технологий обработки многомерных данных: учебное пособие / В. В. Жилин, A.A. Кузьмин, С. А. Филист и др.- Курск, гос. Сельскохозяйственная академия. Курск, 2008.
  27. Жук, C.B. Обзор современных методов сегментации растровых изображений / С. В Жук // Известия Волгоградского государственного технического университета: Межвуз. сб. научн. ст. / ВолгГТУ. Волгоград, 2009. № 6. С. 115−118.
  28. . И.М. Краткий курс теории обработки изображений. /•'JL-' Л. «X, А X ж1. И. М. Журавель // М.: 2004.
  29. Ильясова, НЛО. Метод выделения центральных линий кровеносных сосудов / Н. Ю. Ильясова, А. О. Корепанов, П. М. Чикулаев // Компьютерная оптика 2006. № 29. С. 146−150,
  30. , Н.Ю. Экспертная компьютерная система диагностики глазных заболеваний по изображениям глазного дна / Н. Ю. Ильясова, A.B. У стинов, В. Г. Баранов // Компьютерная оптика. 1999. № 19. С. 202−209.
  31. JI.А., Лысенко B.C., Балишанская Т. И. Клинический атлас патологии глазного дна Издательство: ГЭОТАР-Медиа, 2008. 120 с.
  32. , Л.А. Клинические формы диабетической ретинопатии/ Л. А. Кацнельсон // Вестник офтальмологии, 1989. № 5. — С. 43−47.
  33. , М. Алгоритмы анализа изображения для распознавания контура дрожжевых клеток Электронный ресурс. / М. Кварнстром// Пер. с англ.-' Батлук Н. С. Режим доступа: http://masters.donntu.edu.ua/2009/kita/batluk library/imageanalysis ru. pdf
  34. , И.В. Текстурная сегментация изображений на основании Марковских случайных полей / И. В. Ковтун // УСиМ. 2003. № 4. С. 46−55.
  35. , А.О. Обнаружение границ радужной оболочки с использованием преобразования Хоу / А. О. Корепанов // Вестник СГАУ.2008. С. 235−240
  36. , Г. Комплексная диагностика патологии глазного дна / Г. Коскас, Ф. Коскас, А. Зурдан. М.: Практическая медицина. 2007. — 469 с.
  37. , И. Г. Метод распознавания патологических форм эритроцитов по их векторному изображению / И. Г. Красовская: // Радиоэлектроника и компьютерные системы. 2009. № 4 (38). Украина. С. 106- 107.
  38. , A.B. Оценивание диагностических параметров сосудов на изображениях глазного дна в области диска зрительного нерва / A.B. Куприянов, Ильясова Н. Ю., Ананьин М. А. //Компьютерная оптика. 2006. № 29. С. 141−145.
  39. , М.Т. Автоматизированная система распознавания объектов на микроскопических изображениях биологических образцов. / М. Т. Луценко, Н. В. Ульянычев, Н. П. Семичевская // Бюллетень физиологии и патологии дыхания. 1999. № 3.
  40. , К. Алгоритмы выделения параметрических кривых на основе преобразование Хафа./ К. Мариничев, В. Вежневец // Компьютерная графика и мультимедиа. 2006. № 4 (1)
  41. , Л.П. Информативность эксiipecc-латекс-тестов при использовании видеоцифровой регистрации / Л. П. Мартынкина, Т. А. Старовойтова, H.A. Стериополо и др. // Клинико-лабораториый консилиум. Со -П. 2009. № 6. С.56−62.
  42. , С.А. Моделирование состояния эндотелиальныхjклеток по их фотоизображению / С. А. Матюнин, Н. С. Селиверстова // Компьютерная оптика. 2002. Т. 24. С. 173−177.
  43. , B.C. Автоматизированные цитофотометрические тесты мазков крови для общей клиники и скрининговых обследований населения / B.C. Медовый, В. А. Балабуткин, Н. В. Верденская // Клин, лабор. диагностика. 1997. № 10. С. 6−8.
  44. , B.C. Исследование и разработка программного обеспечения автоматической микроскопии биоматериалов: автореф. дис.. д-р.техн. Наук / B.C. Медовый // Москва. 2010. с. 20.j
  45. , В.Н. Автоматизированный офтальмологический комплекс Атлант-Retina / В. Н. Михайлов, Н. С. Бургова, А. В. Корогодин и др.
  46. Электронный ресурс: http://library.mephi.ru/data/scientificsessions/1998/5/196.html.
  47. , В.В. Обзор методов сегментации полутонового цифрового изображения / В. В. Михалец // Режим доступа: http://masters.donntu.edu.ua/2010/fknt/deputat/links/index.htm.
  48. , В. Современные биометрические методы идентификации / В. Моржаков, А. Мальцев // Безопасность. Достоверность. Информация. 2009. № 83. С. 44−48.
  49. , В.В. Эффективные алгоритмы вычисления локального дискретного вейвлет-преобразования / В. В. Мясников // Компьютерная оптика. Т. 31, № 4. 2007. С.86−94.
  50. , О.Т. Сравнительная оценка качества работы алгоритмов оконтуривания медицинских изображений / Никитин, ОТ., Пасечник,
  51. A.C., под ред. B.B. Ромашова. // Методы и устройство передачи и обработки информации. Межв.сб. научн. трудов Вып. 8. — М.: Радиотехника, 2007, С. 137−142.
  52. , A.A. Алгоритм вычисления признаков отрезков на растровых изображениях основанный на вычислении градиента яркости / А. А. Орлов, М. И. Ткачук // Инфокоммуникационные технологии. Т. 6, № 3.2008. С. 36−41.
  53. , С. Нейронные сети для обработки информации/ С. Ос-совский М.: Финансы и статистика, 2002. — 344 с.
  54. , Е.И. Метод определения размера модели марковского случайного поля / Е. И. Патана // Известия Южного федерального университета. Технические науки. 2009. Т. 97. № 8. С. 206−212.
  55. , А.И. Алгоритм последовательного выделения контура объекта на двумерных цифровых изображениях / А. И. Перов, Г. Г. Соколов // Радиотехника. 1998. № 7.
  56. , М.В. Контурная сегментация изображений с использованием вейвлет-анализа / М. В. Полякова, В. В. Любченко // Труды Одесского политехнического университета. 2004. вып. 1(21). С. 1−5.
  57. , М.В. Модел1 та алгоритми автоматизованоТ системи обробки ультразвукових ехограм оргашв людини: Автореф. дис. канд. техн. наук: 05.13.06 ./' Донецысий нацюналышй ун-т. Донецьк, 2003. 20с.
  58. , О.О. Автоматическая сегментация цифровых изображений медико-биологических препаратов методом кластерного анализа / О. О. Привалов, Л. Н. Бутенко // Современные наукоемкие технологии. 2007. № 10. С. 79−80. {
  59. , Е.П. Нормализация и распознавание изображений / Е. П. Путятин // Электронный ресурс: http ://sumschool. sumdu.edu.ua/is-02/rus/lectures/pytyatin/pytyatin.htm.
  60. , Е.П. Обработка изображений в робототехнике. / Е. П. Путятин, С. И. Аверин // М: Машиностроение. 1990. 320 с.
  61. H.H., Щёголева И. В., Будзинская М. В., Киселёва Т. Н., Киселев Г. Л. Метод количественной оценки интенсивности флюоресценции в определении активности хориоидальной неоваскуляризации// Практикующий врач. М. 2007. № 6. С. 101−102.
  62. , A.A. Статистические алгоритмы обнаружения границ объектов на изображениях / А. А. Сирота, А. И. Соломатин // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2008. №. С.58−64.
  63. , В.А. Методы компьютерной обработки изображений / В. А. Сойфер // М.: Физматлит, 2003. 784 с.
  64. , О.П., Применение сверточной нейронной сети для распознавания рукописных цифр / Солдатова О. П., Гаршин A.A. // Компьютерная оптика, Т. 34, № 2. 2010. С. 251−259.
  65. Физика визуализации изображений. Пер. с англ. В 2-х томах. Под ред. С. Уэбба. М., Мир, 1991. Том 1−407 е., том2−406 с,
  66. С.А., Пихлап C.B., Томакова P.A. Нечеткие нейросетевые структуры для сегментации изображений глазного дна //Вестник Воронежского государственного технического университета. Воронеж, 2009. Т.5. № 4. С.42−45.
  67. , В.Т. Компьютерная обработка и распознавание изображений / В. Т. Фисенко, Т. Ю. Фисенко //СПб.: С-ПбГУ ИТМО. 2008. 192 с.
  68. , С. Нейронные сети: полный курс / С. Хайкин. М.: ООО «И.Д. Вильяме», 2006. 1104 с
  69. , А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами / А. Ю. Хлесткин, В. П. Кривозубов, A.B. Николаева // Инфокоммуникационные технологии. 2006. № 3. С. 64−69.
  70. , АН. Машинное зрение в задаче автоматического подсчета клеток крови человека Электронный ресурс. / А. Н. Хлопов // Электронный научный журнал. Исследовано в России С. 1962−1969. .http://zhurnal.ape.relam.ru/ai-ticles/2007/167.pdf.
  71. Хряще в, Д. А. Об одном методе выделения контуров на цифровых изображениях / Д. Д. Хрящев // Вестник Астраханского государственного технического университета. Сер.: Управление, вычислительная техника и информатика. 2010. № 2. С. 181−187.
  72. , Е.С. Разработка специализированной компьютерной системы диагностики желудочно-кишечного тракта человека по изображениям ФГДС-исследования. Маг. дис. 2004.
  73. , Е.Ю. Спектральный анализ вероятностных характеристик изображений / Е. Ю. Чекотило, I I.K. Кузнецов // Вестник Самарского Государственного, технического университета. Серия «Физико-математические науки». Самара, 2006. № 42. С 212−215.
  74. , Е.А. Алгоритм классификации монохромных изображений с использованием нейронных сетей / Е. А. Чернецова // Вычислительные технологии. 2008. Т. 13. № 2. С, 119−130.
  75. Яне, Б. Цифровая обработка изображений / Б. Яне М.: Техносфера, 2007. 584 с.
  76. Azimifar, Z. Hierarchical multiscale modeling of wavelet based correlations / Z. Azimifar, P. Feiguth, J. Jernigan // IEEE Transaction on image processing. 2001. Vol. 7. — P. 427−445.
  77. Florack, L. M. J. Linear scale-space / L. M. J. Florack, В. M. Haar Romenv, J. J. Koenderink, M. A. Viergever // J. of Mathematical Imaging and Vision. 1994. — Vol. 4(4). — Pp. 325−351.
  78. Fowlkes, C. Efficient Spatiotemporal Grouping Using the Nystrom Method /С. Fowlkes, S. Belongie, J. Malik // Efficient Graph, 2001.
  79. Geman, S. Stochastic Relaxation, Gibbs Distributions, and the Bayes-ian Restoration of Images / S. Geman, D. Geman // IEEE Trans, on PAMI, 1984, vol, 6, no. 6, pp. 721−741.
  80. George JT. Sensitivity and specificity of single field non-mydriatic retinal photography in screening for diabetic retinopathy: The Edinburgh Type 2 Diabetes Study. ADA 2009.
  81. Jafar M. H. Ali An Iris Recognition System to Enhance E-security Environment Based on Wavelet Theory / Jafar M. H. Ali, Aboul Ella Hassanien // AMO Advanced Modeling and Optimization, Volume 5, № 2. 2003. pp. 93−104.
  82. Keuchel, J. Cuts for Unsupervised Image Segmentation using Probabilistic Sampling and SVD-based Approximation /J. Keuchel, C. Schnorr// University of Mannheim, Germany, 2003.
  83. Khotanzad. A. A soatial correlation method for neighbor set selection
  84. J — — ------— * «^A AAA w Vf xvx i-XVi V/l Jvk JVlWHWilin random field image models / A. Khotanzad, J. Bennett // IEEE Transactions on image processing. 1999. Vol. 8. P. 578−593.
  85. Koenderink J.J. The structure of images / J.J. Koenderink // Biological Cybernetics. 1984. — Vol. 50. — Pp. 363−370.
  86. Kyong Woo Nam. A Feature Extraction Method for Binary Iris Code Construction / Kyong Woo Nam, Kyong Lok Yoon, Jun Sung Bark, Woo S. Yang // Proceedings of the 2nd International Conference on Information Technology for Application.2004.
  87. Li Ma Iris. Recognition Using Circular Symmetric Filters / Li Ma, Yunhong Wang, Tieniu Tin / Proceedings of the 16 th International Conference on Pattern Recognition // P. 20 414−20 418.
  88. Lionel Martin. Tisse Person identification technique using human iris recognition. / Lionel Martin, Lionel Torres, Michel Robert // Proc. of Vision Interface, 2002. pp.294−299.
  89. Minesh Ade. Efficient human system based on retina blood vessel pattern and Delaunay triangulation (DT) net / Minesh Ade, Raza A. Jafri, M. Ghazan-far Ullah //3 rd International Conference on Biomedical Technjlogy. 2011. P. 253 256.
  90. Richard P. Wildes. Iris Recognition / Richard P. Wildes //An Emerging Biometric Technology. Proceedings of The IEEE, vol. 85, № 9. 1997. P. 13 471 347.
  91. Satoh, S. Pattern Recognition System with Top Down Process of Mental Rotation / Satoh S., Kuroiwa J., Aso H., Miyake S. // 5th Intern. Work Conference on Neural Network. Alicante, 1999. — № 1. — P. 816−825.
  92. Sharon, Eitan. Fast Multiscale Image Segmentation / Eitan Sharon, Achi Brandt Ronen Basriy // Dept. of Applied MathThe Weizmann Inst, of Science, Israel, 2000.
  93. Shi, J. Normalized Cuts and Image Segmentatio/ J. Shi, J. Malik// University of California at Berkeley. 1997.
  94. Veksler, O. linage Segmentation by Nested Cuts / O. Veksler//NEC Research Institute, 2000.
  95. Zadeh L.A. Fuzzy algorithms // Information and control. Vol. 12, 1968 -№ 2-P. 233−238.
Заполнить форму текущей работой

Сессия? Спокойно!