Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и моделирование алгоритмов распознавания маркёров на изображениях фаций сыворотки крови

Диссертация: Разработка и моделирование алгоритмов распознавания маркёров на изображениях фаций сыворотки крови
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Рассмотреть изображения фаций можно только в микроскоп. При массовых профилактических обследованиях населения требуется проанализировать большое количество изображений. Произвести качественный анализ изображений могут только квалифицированные специалисты-операторы, которых, к сожалению, имеется немного. Глаза оператора быстро утомляются, поэтому анализ становится недостаточно качественным, мелкие… Читать ещё >

Разработка и моделирование алгоритмов распознавания маркёров на изображениях фаций сыворотки крови (реферат, курсовая, диплом, контрольная)

Содержание

  • Список сокращений, принятых в диссертации
  • Глава 1. Обработка изображений в медицине
    • 1. 1. Задачи медицины, решаемые с применением обработки изображений
    • 1. 2. Медицинская диагностика по изображениям фаций биологических жидкостей
      • 1. 2. 1. Метод клиновидной дегидратации биологических жидкостей
      • 1. 2. 2. Алгоритмы анализа изображений фаций сыворотки крови
    • 1. 3. Обзор методов обработки изображений и распознавания образов
      • 1. 3. 1. Методы обработки изображений
      • 1. 3. 2. Методы распознавания образов
    • 1. 4. Выбор метода для распознавания маркёров на изображениях ФСК
    • 1. 5. Выводы
  • Глава 2. Алгоритмы обнаружения и распознавания маркёров на изображениях фации сыворотки крови
    • 2. 1. Изображения фаций сыворотки крови
      • 2. 1. 1. Общий вид изображений фаций
      • 2. 1. 2. Морфологические типы фаций
    • 2. 2. Модель изображения фации
      • 2. 2. 1. Форма фации
      • 2. 2. 2. Текстура фона фации
      • 2. 2. 3. Текстура окружения фации
      • 2. 2. 4. Скелет фации
      • 2. 2. 5. Модели маркёров
    • 2. 3. Разработка алгоритмов распознавания маркёров на изображениях фаций
      • 2. 3. 1. Предварительная обработка изображений фаций
      • 2. 3. 2. Определение морфологического типа
      • 2. 3. 3. Обнаружение гребешковых структур
      • 2. 3. 4. Обнаружение жгутовых трещин
      • 2. 3. 5. Обнаружение морщин и токсических бляшек
      • 2. 3. 6. Обнаружение листовидных структур
      • 2. 3. 7. Обнаружение воронкообразных структур
      • 2. 3. 8. Обнаружение трещин «серебра»
      • 2. 3. 9. Обнаружение трещин «закруток»
      • 2. 3. 10. Обнаружение трёхлучевых трещин
      • 2. 3. 11. Оценка эффективности алгоритмов
    • 2. 4. Выводы
  • Глава 3. Программная реализация алгоритмов распознавания маркёров
    • 3. 1. Структура комплекса программ
      • 3. 1. 1. Описание и возможности программы обнаружения маркёров. 135 3.1.2 Описание программы моделирования изображений фаций сыворотки крови
    • 3. 2. Аппаратные требования для комплекса
    • 3. 3. Выводы

Актуальность темы

В последнее время в силу ряда причин количество больных людей возрастает во всем мире и в России, в частности. Несмотря на значительные достижения в методике лечения, медицина часто оказывается не в силах помочь пациенту по причине запущенности его болезни. Поэтому огромное значение для здравоохранения имеет профилактика и ранняя диагностика, позволяющая обнаружить предрасположенность или самые начальные проявления заболеваний, когда лечебно-профилактические мероприятия наиболее эффективны. При этом необходимо проводить массовые, достаточно подробные обследования населения, что при нынешнем состоянии медицинской службы в России и других странах, к сожалению, выполняется не в достаточной мере. Поэтому во всём мире активно ведется поиск способов диагностики недорогих, быстрых и в то же время достаточно ёмких, то есть пригодных для массового обследования населения.

Перспективным с этой точки зрения является метод ранней диагностики, предложенный академиком РАМН В. Н. Шабалиным и профессором С. Н. Шатохиной. Этот метод основан на исследовании биологических жидкостей (БЖ) человека (сыворотки крови, желчи, лимфы и т. д.). Капля БЖ наносится на предметное стекло и медленно высушивается, остается тонкая сухая плёнка (фация). Особенности состояния организма сказываются на процессе кристаллизации веществ, содержащихся в жидкости, поэтому на изображении фации возникают характерные структуры (маркёры), которых замечено более двадцати видов (гребешки, листы, жгуты, языковые поля, клиновидные трещины и т. д.), и в процессе ведущихся исследований список маркёров постоянно расширяется. Авторами этого метода убедительно доказано, что по составу и расположению этих маркёров можно с большой уверенностью судить не только об уже имеющихся и проявившихся заболеваниях, но и о самой начальной их форме, когда никаких симптомов еще не наблюдается, и даже о предрасположенности к некоторым болезням.

Рассмотреть изображения фаций можно только в микроскоп. При массовых профилактических обследованиях населения требуется проанализировать большое количество изображений. Произвести качественный анализ изображений могут только квалифицированные специалисты-операторы, которых, к сожалению, имеется немного. Глаза оператора быстро утомляются, поэтому анализ становится недостаточно качественным, мелкие и слабо выраженные маркёры пропускаются, что ведёт к некачественной диагностике. Выходом из этой ситуации является алгоритмическая обработка изображений, введённых в компьютер. Отметим, что окончательный диагноз пациенту может поставить только врач. Поэтому желательно отсеять изображения, на которых явно нет патологических маркёров, а на оставшихся изображениях отметить найденные маркёры и дать по ним предварительные заключения о возможных заболеваниях. Это в значительной мере сократит нагрузку на медицинский персонал, что будет способствовать повышению эффективности профилактического медицинского обследования населения.

Таким образом, разработка алгоритмов обнаружения и распознавания маркёров на изображениях фаций БЖ является актуальной задачей, решение которой будет способствовать повышению качества здравоохранения. В данной диссертации разрабатываются алгоритмы обнаружения и распознавания маркёров на изображениях фаций сыворотки крови (ФСК).

На медицинском факультете Ульяновского государственного университета под руководством профессора Л. И. Трубниковой работает коллектив исследователей, успешно развивающий диагностику с использованием различных БЖ. При неоценимой помощи этого коллектива была определена цель данной диссертации, предоставлено множество реальных изображений ФСК, обсуждались получаемые результаты, за что автор выражает глубокую признательность.

Цель и задачи работы. Целью диссертации является повышение эффективности медицинской диагностики по изображениям ФСК за счёт их компьютерной обработки. Для достижения поставленной цели решаются следующие задачи.

— разработка математической модели изображений ФСК, учитывающей особенности фактуры и разнообразие формы, размеров, расположения и количества маркёров,.

— выявление информативных признаков маркёров, по совокупности которых возможна их идентификация,.

— синтез эффективных алгоритмов обнаружения и распознавания маркёров на изображениях ФСК,.

— составление комплекса программ, реализующего предложенные алгоритмы и осуществляющего медицинскую диагностику по изображениям ФСК.

Методы исследования. При решении поставленных задач применялись методы теории вероятностей, математической статистики, обработки изображений, вычислительной математики и математического моделирования с применением вычислительной техники.

Научная новизна положений, выносимых на защиту.

1. Впервые разработана модель изображений ФСК, учитывающая вид корреляционной функции и другие особенности реальных изображений и позволяющая имитировать изображения с учётом высокой вариативности маркёров.

2. Разработан алгоритм для нахождения границы, центра и характерных областей ФСК, что, в частности, позволяет определить морфологический тип фации.

3. Выявлены признаки, характеризующие структуру отдельных маркёров. Совокупность этих признаков позволяет идентифицировать наиболее распространённые маркёры.

4. Разработаны алгоритмы и численные процедуры обнаружения признаков маркёров, которые дают возможность при небольших вычислительных затратах достаточно эффективно распознавать маркёры на изображениях ФСК.

Достоверность. Достоверность выводов диссертации обеспечивается корректным использованием математических методов и подтверждается высокой эффективностью разработанных алгоритмов распознавания маркёров при их тестировании на реальных и имитированных изображениях ФСК.

Практическая значимость. Разработанный комплекс программ даёт возможность практически осуществлять медицинскую диагностику по методу Шабалина-Шатохиной при массовых профилактических обследованиях населения.

Реализация работы. Результаты диссертационной работы приняты для практического применения в медицинских центрах «Литиком» и «Академия» (г. Ульяновск), а также в учебном процессе кафедры акушерства и гинекологии Ульяновского государственного университета и кафедры САПР Ульяновского государственного технического университета, что подтверждено актами использования результатов диссертации. Материалы диссертационной работы также использованы при выполнении гранта по программе «УМНИК-2011» Государственного фонда содействия развитию малых форм предприятий в научно-технической сфере, государственный контракт № 9015р/14 145 от 19.04.2011.

Апробация работы. Основные результаты работы докладывались на 6-й и 7-й Всероссийских с участием стран СНГ научно-практических конференциях «Современные проблемы создания и эксплуатации радиотехнических систем» (Ульяновск, УлГТУ, 2009 и 2011) — Всероссийских конференциях с элементами научной школы для молодежи «Инновационные технологии ранней диагностики и лечения в медицинской практике» (Ульяновск, УлГУ 2009 и 2011) — научных сессиях Общества им. A.C. Попова (Москва, 2009 и 2010) — 10-й Международной научно-технической конференции PRIA-10−2010 «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2010) — 8-м открытом российско-немецком семинаре OGRW-8−2011 «Распознавание образов и понимание изображений» (Нижний Новгород, 2011) и на ежегодных научно-технических конференциях профессорско-преподавательского состава УлГТУ (2009;2011 гг.).

Публикации. По теме диссертации опубликовано 12 печатных работ, одна из которых в издании из перечня ВАК и 11 в материалах международных и всероссийских научно-технических конференций. Общий объём 3 печатных листа.

Объем и структура диссертации. Диссертация объемом 161 машинописных страницы, содержит введение, три главы и заключение, список литературы (110 наименований), 97 рисунков, 9 таблиц, в приложении приведены ксерокопии актов использования результатов диссертации.

Основные результаты диссертации заключаются в следующем.

1. Предложена математическая модель изображения ФСК, учитывающая наиболее существенные особенности реальных изображений и позволяющая имитировать изображения для определения эффективности алгоритмов анализа изображений ФСК.

2. Разработан алгоритм определения общей структуры изображения ФСК (граница, центр, секторы и т. д.) что, в частности, позволяет определить морфологический тип фации.

3. Выявлены признаки, характеризующие структуру различных маркёров. По совокупности этих признаков возможна идентификация наиболее распространённых маркёров на изображениях ФСК.

4. Разработаны алгоритмы и численные процедуры обнаружения маркёров. Проведенные испытания описанных алгоритмов на большом количестве изображений ФСК (более двух тысяч) показали их высокую эффективность: было обнаружено более 95% изображений, на которых имелись маркёры, ложные обнаружения были на 10% изображений.

5. Разработанный комплекс программ, реализующих предложенные алгоритмы обнаружения, может быть использован в медицинской диагностике по методу Шабалина-Шатохиной при массовых обследованиях населения, что будет способствовать улучшению качества медицинского обслуживания.

ЗАКЛЮЧЕНИЕ

.

Главным итогом диссертации является разработка алгоритмов компьютерного распознавания маркёров на изображениях фаций, требующих небольших вычислительных затрат и способствующих повышению качества массового медицинского обследования.

Показать весь текст

Список литературы

  1. Адаптивные фильтры: Пер. с англ./ Под. ред. К.Ф. Н. Коуэна и П. М. Гранта. -М.: Мир, 1988. -392 с.
  2. , М.А. Метод потенциальных функций в теории обучения машин/М.А. Айзерман, Э. М. Браверманн, Л. И. Розонэр. М.: Наука, 1970. -240 с.
  3. , Б.В. Исследование возможностей медианной фильтрации при цифровой обработке изображений совокупностей локальных биологических объектов/ Б.В. Бардин// Научное приборостроение-2011. Том 21, № 2.-с. 120−125.
  4. , З.М., Кульберг, Н.С. Повышение контрастности изображений медицинской рентгеновской диагностики. Материалы 2 Международной научно-технической конференции «Радиоэлектроника в медицинской диагностике», Москва, 1997, с.93−97.
  5. , В.Н. Цифровая обработка сигналов: методы и средства: учеб. пособие для вузов / В. Н. Бондарев, Г. Трёстер, B.C. Чернега. 2-у изд. -X.: Конус, 2001.-398 с.
  6. , М.Э. Автоматизированный анализ структур биожидкостей /М.Э. Бузоверя, В Л. Сельченков, Ю. П. Щербак // Медицинская физика. -2002. № 4. — с.74−78.
  7. , М.Э. Использование программно-аппаратного комплекса «МОРФОТЕСТ-1″ в анализе структуры дегидратированных биологических жидкостей/М.Э. Бузоверя, М. А. Балакшина, Ю. П. Щербак и др. // Медицинская физика, -2002, № 4 (16). с. 41−46.
  8. , В.Н. Восстановление зависимостей по эмпирическим данным/В.Н. Вапник. М.: Наука, 1979. — 448 с.
  9. , В.Н. Теория распознавания образов (статистические проблемы обучения)/В.Н. Вапник, А. Я. Червоненкис. М.: Наука, 1974. -416 с.
  10. , В.И. Проблема обучение распознаванию образов/В.И. Васильев. Выша шк. Головное изд-во, 1989. 64с.
  11. , К.К. Статистический анализ многомерных изображений / К. К. Васильев, В. Р. Крашенинников. Ульяновск: УлГТУ, 2007. — 172 с.
  12. Введение в контурный анализ и его приложения к обработке изображений и сигналов: / Я. А. Фурман, A.B. Кревецкий, А. К. Передреев и др. Под ред. Я. А. Фурмана -2-е изд., испр. -М.: ФИЗМАТЛИТ, 2003. -592 с.
  13. , А. Ю. Система анализа и обработки медицинских изображений с малоконтрастными объектами: автореферат диссертации на соискание ученой степени кандидата технических наук: 05.11.17/ А. Ю. Виллевальде. Санкт-Петербург, 2008. — 18 с.
  14. , Д. М. Синтез и анализ нейросетевой системы обнаружения 3D изображений объектов рентгеновской томографии: автореферат диссертации на соискание ученой степени кандидата технических наук: 05.12.04/ Д. М. Ворожцов. Йошкар-Ола, 2006. — 22 с.
  15. , Д.А. Нечеткие методы автоматической классификации: Монография/Д.А. Вятченин. Мн.: УП „Технопринт“, 2004. — 219 с.
  16. , Н.И. Компьютерная обработка сцинтиграфических изображений лёгких/ Н. И. Глумов, A.B. Капишников// Компьютерная оптика. -2003. № 25.-с. 158−164.
  17. , В.М. Введение в кибернетику/В.М. Глушков.- К.: АН УССР, 1964.-324 с.
  18. , Е. О формировании узора трещин в свободно высыхающей пленке водного раствора белка/ Е. Гольбрайх, Е. Г. Рапис, С. С. Моисеев // Журнал технической физики. 2003. — Т.73. — № 10. — с. 116—121.
  19. , Р. Цифровая обработка изображений/, Р. Гонсалес, Р. Вудс. М.: Техносфера, 2005. — 1072 с.
  20. , А.Л. Методы распознавания. Учеб. пособие для вузов/ А. Л. Горелик, В А. Скрипкин. М.: Высшая школа, 1977. — 222 с.
  21. , А.Л. Селекция и распознавание на основе локационной информации. Под ред. Горелика А. Л/А.Л. Горелик, Ю. Л. Барабаш, О. В. Кривошеев и др. М.: Радио и связь, 1990. 240 с.
  22. , А.Л. Современное состояние проблемы распознавания. Некоторые аспекты/ А. Л. Горелик, И. Б. Гуревич, В. А. Скрипкин. М.: Радио и связь, 1985.- 162 с.
  23. , И.С. Математические задачи компьютерной томографии/И.С. Грузман// Соросовский образовательный журнал. 2001. -Т.1. -№ 5. — с.117−121.
  24. Диагностическая значимость показателей морфоструктуры биологических жидкостей при сахарном диабете у беременных/ Л. И. Трубникова, В. Н. Шабалин, С. Н. Шатохина и др.// Российский вестник акушера-гинеколога, 2003.-К 6.-с.33−38.
  25. , Р. Распознавание образов и анализ сцен: Пер. с англ./Р. Дуда, П. Харт. -М.: Мир, 1976. 512 с.
  26. , Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации / Ю.И. Журавлёв// Проблемы кибернетики. М.: Наука, 1978. — с. 5−68.
  27. , Ю. И. Об алгоритмах распознавания с представительными наборами (о логических алгоритмах)/Ю.И. Журавлёв // Журнал вычислительной математики и математической физики, т.42, № 9, 2002.-с. 1425−1435.
  28. , Т.Ю. Анализ основных процессов и типов структур при дегидратации биологических жидкостей/Т.Ю. Заблоцкая // Електромехашчш { енергозберггаюч1 системи. 2010. — Вип. 4(12). -с. 92−95.
  29. , Т.Ю. Основные процессы, наблюдаемые при дегидратации биологических жидкостей/Т.Ю. Заблоцкая // Вюник КДПУ iMeHi Михайла Остроградського. 2009. № 4(57). Частина 2. — с. 133−135.
  30. , Т.Ю. Применение вейвлет-анализа для распознавания структур фаций биожидкости/Т.Ю. Заблоцкая // Електромехашчш i енергозбер1гаюч! системи. 2010. — Вип. 3 (11). -с. 55−58.
  31. , Н.Г. Методы распознавания и их применение/Н.Г. Загоруйко. М.: Сов. Радио, 1972. — 206 с.
  32. , Н.Г. Прикладные методы анализа знаний и данных/Н.Г. Загоруйко.— Новосибирск: ИМ СО РАН, 1999. 270 с.
  33. , А.О. Разработка методов и средств шумоподавления в томографии: автореферат диссертации на соискание ученой степени кандидата технических наук: 05.11.01/ А. О. Казначеева. Санкт-Петербург, 2006.- 19 с.
  34. , В.Р. Основы теории обработки изображений/В .Р. Крашенинников. Ульяновск: УлГТУ, 2003. — 151 с.
  35. , В.П. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами/ В. П. Кривозубов, A.B., Николаева, А.Ю. Хлесткин// Инфокоммуникационные технологии. -2006.-№ 3.-е. 64−69.
  36. , М.В. Использование морфологического анализа сыворотки крови верблюдов бактрианов калмыцкой породы в селекционно-племенной работе/ М. В. Лазько, И. Д. Габунщина// Естественные науки 2011 .-№ 1. -с. 165−171.
  37. , А.Е. Математические методы распознавания образов: Курс лекций/А.Е.Лепский, А. Г. Броневич. Таганрог: Изд-во ТТИ ЮФУ, 2009. -155 с.
  38. , 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. — с. 83−91.
  39. , В.Д. Метод комитетов в задачах оптимизации и классификации/В.Д. Мазуров. -М.: Наука, 1990. 248 с.
  40. , С.А. Алгоритмы анализа структур фаций биологических жидкостей / С. А. Максимов // Вестник новых медицинских технологий. -2007. Т. XIV, № 1.-с. 115−116.
  41. , М.Я. Вейвлетный анализ в обработке томографических изображений/ М. Я. Марусина, Е.М. Андонина-Андриевская// Научное приборостроение. -2011. Том 21. -с.71−75.
  42. , С.А. Моделирование состояния эндотелиальных клеток по их фотоизображению/ С. А. Матюнин, Н.С. Селиверстова// Компьютерная оптика. -2002. № 24. -с. 173−176.
  43. , Л.М. Математические методы распознавания образов. Курс лекций/Л.М. Местецкий.-М.: Ф-т ВМиК МГУ, кафедра ММП.-2002.-85 с.
  44. Модель автоматизации морфологического анализа клеток крови для диагностики и обучения/ В. Г. Никитаев, А. Н. Проничев, Д. В. Харазишвили и др.//Успехи современного естествознания-2008. -№ 8. -с. 141.
  45. , С.О. Программа для определения морфологических особенностей биологических микрообъектов на изображениях полученных от микроскопа/ С. О. Навольнев, Л.В. Диденко// Медицинский алфавит-2010. Том 2, № 2. -с.41−42.
  46. , A. M. Сегментация слабоконтрастных изображений гистологических объектов: автореферат диссертации на соискание ученой степени кандидата технических наук: 05.13.16/ A.M. Недзьведь-Минск, 2000. 23 с.
  47. Новые возможности ранней диагностики язвенного колита /С.Н. Шатохина, Т. С. Мишуровская, Г. В. Цодиков и др.// Альманах клинической медицины -2010 .-№ 2 -с.5 6−59.
  48. Обработка и анализ цифровых изображений с примерами на Lab VIEW IMAQ Vision/Ю.В. Визильтер, С. Ю. Желтов, В. А. Князь и др. -М.: ДМК Пресс, 2007. 464 с.
  49. , A.C. Методы компьютерной обработки рентгенограмм, повышающие их качество и информативность/ A.C. Осадчий// Казанский медицинский журнал-2008. Том 89, № 6. -с.853−854.
  50. Особенности системной организации сыворотки крови у больных с глиобластомой головного мозга в процессе адьювантной лучевой терапии/С.Н. Шатохина, A.C. Балканов, H.H. Петрушкина// Альманах клинической медицины.-2009.-№ 21 -с.49−51.
  51. , Э.А. Основы теории распознавания образов/Э.А. Патрик. -М.: Советское Радио, 1980. 407 с.
  52. , В.О. Алгоритм текстурной сегментации растровых изображений при решении прикладных задач медико-биологического анализа/В.О. Петров, В. А. Камаев, C.B. Поройский // Современные проблемы науки и образования. -2009.-№ 6.-с. 105−111.
  53. , C.B. Автоматическая постановка диагноза по анализу медицинских снимков/С.В. Погодин // Сборник научных трудов 1-ой международной телеконференции „Фундаментальные медико-биологические науки и практическое здравоохранение“, Томск, 2010 с. 70−71.
  54. , Ю.П. Исследование структуры дегидратированной плазмы крови больных с ишемической болезнью сердца/ Ю. П. Потехина,
  55. Г. Н. Зубеева, М. Э. Бузоверя и др. // Медицинская физика.-2004.-№ 1 (21). -с.46−48.
  56. Предварительная обработка изображений ультразвуковых исследований в системах медицинской диагностики/ Н. Г. Федотов, JI.A. Шульга, O.A. Смолькин и др.// Надежность и качество: Труды международного симпозиума.- Пенза, 2006.- с. 247−248.
  57. Прикладные нечеткие системы / Асаи К., Ватада Д., Иван С. и др./Под ред. Т. Тэрано, К. Асаи, М. Сугено- М.: Мир, 1993 368 с.
  58. У.К. Цифровая обработка изображений: в 2 кн./ У. К. Прэтт. -М.: Мир, 1982.
  59. .Н., Данилин Ю. М. Численные методы в экстремальных задачах. -М.: Наука, 1975. 319 с.
  60. , Е.Г. К вопросу о самоорганизации белка/ Е. Г. Рапис // Письма в ЖТФ. 1995. — Т.21. — № 9. — с. 13−20.
  61. , Е.Г. Самосборка кластерных пленок белка в процессе конденсации (аллотропная неравновесная некристаллическая его форма) /Е.Г. Рапис // Журнал технической физики. 2000. — Т.70. — № 1.-е. 122−133.
  62. , Е.Г. Свойства и виды симметрии твердотельной кластерной фазы белка/ Е. Г. Рапис // Журнал технической физики. 2001. — Т.71. — № 10. -с. 104−111.
  63. Распознавание образов: состояние и перспективы: Пер. с англ/ К. Верхаген, Р. Дейн, Ф. Грун и др.-М.: Радио и связь, 1985.-104 с.
  64. , О. А. Клинико-диагностическое значение морфологической картины сыворотки крови у больных туберкулезом легких: автореферат диссертации на соискание ученой степени кандидата медицинских наук: 14.00.26Ю.А. Рыжкова. М., 2008. — 30 с.
  65. , B.C., Луценко, Е.В. Адаптивное управление сложными системами на основе теории распознавания образов: Монография (научное издание) / Техн. ун-т Кубан. гос. технол. ун-та.-Краснодар, 1999. -318с.
  66. , В. А. Методы компьютерной обработки изображений / под. ред. В. А. Сойфера. 2-е изд., испр. М.: ФИЗМАТГИЗ, 2003. — 784 с.
  67. Структурно-оптические свойства сыворотки крови больных туберкулезом легких с лекарственной устойчивостью микробактерий туберкулеза/ E.H. Стрельцова, H.A. Степанова, O.A. Рыжкова и др.// Астраханский медицинский журнал.-2009. -Том 4, № 3. -с.41−45.
  68. , Ю.Ю. Механизмы и модели дегидратационной самоорганизации биологических жидкостей/Ю.Ю. Тарасевич // УФН. 2004. -Том 174, № 7. -с.779−790.
  69. Теоретические основы цифровой обработки изображений: Учебное пособие/ В. А. Сойфер, В. В. Сергеев, С.Б. Попов-Самара: Самарский государственный университет имени академика С. П. Королёва, 2000. 256 с.
  70. Типы структурной организации сыворотки крови при хронических гепатитах и циррозах печени/Б.Н. Левитан, А. Р. Умерова, Д. М. Абжалилова и др.// Астраханский медицинский журнал. -2010. -Том 5, № 3. -с.94−97.
  71. Ту, Дж. Принципы распознавания образов/ Дж. Ту, Р. Гонсалес. -М.: Мир, 1978.-413 с.
  72. , B.C. Опознавание изображений / B.C. Файн. М.: Наука, 1970.-299 с.
  73. , Н.Г. Распознавание ультразвуковых изображений на основе стохастической геометрии/ Н. Г. Федотов, O.A. Смолькин// Надежность и качество: Труды международного симпозиума.- Пенза, 2007.-с. 266−267.
  74. Физика визуализации изображений в медицине: В 2-х томах. Т. 1: Пер. с англ./Под ред. С.Уэбба. -М.:Мир, 1991. -408 с.
  75. , В.Т. Компьютерная обработка и распознавание изображений: учеб. Пособие /В.Т. Фисенко, Т. Ю. Фисенко. СПб: СПбГУ ИТМО, 2008. 192 с.
  76. Фу, К. Последовательные методы в распознавании образов и обучении машин/К. Фу.-М.: Наука, 1971.-256 с.
  77. Фу, К. Структурные методы в распознавании образов: Пер. с англ/ К. Фу.-М.: Мир, 1977.-320 с.
  78. , К. Введение в статистическую теорию распознавания образов/К. Фукунага.-М.: Наука, 1979.-368 с.
  79. , Я.А. Цифровые методы обработки и распознавания бинарных изображений/ Я. А. Фурман, А. Н. Юрьев, В. В. Яшин. Красноярск, 1992.-248 с.
  80. , Э. Искусственный интеллект: Пер. с англ.- Под ред. B.JI. Стефанюка/Э. Хант.-М.: Мир, 1978.-560 с.
  81. Цифровая обработка изображений в информационных системах: Учеб. пособие / И. С. Грузман, B.C. Киричук, В. П. Косых и др. Новосибирск: Изд-во НГТУ, 2002. -352 с.
  82. , Я.З. Адаптация и обучение в автоматических системах/Я.З. Цыпкин. -М: Наука, 1968.-400 с.
  83. , К. В. Совершенствование методов предварительной обработки изображений в системах визуализации: автореферат диссертации на соискание ученой степени кандидата технических наук: 05.12.04/ К.В. Чирков-Владимир, 2009. 20 с.
  84. , В.Н. Морфология биологических жидкостей человека / В. Н. Шабалин, С. Н. Шатохина. М. -: Хризостом, 2001.-304 с.
  85. ЮО.Шатохина, С. Н. Аутоволновые процессы в сыворотке крови. /Шатохина С.Н., Шабалин В. Н //Альманах клинической медицины-2000. -Т. 2.-с. 354−363.
  86. , С.Н. Новая технология оценки воздействия физических факторов на организм человека/ С.Н. Шатохина// Альманах клинической медицины.-2006.-№ 12.-е. 161.
  87. , С.Н. Функциональная морфология биологических жидкостей-новое направление в клинической лабораторной диагностике/ С.Н. Шатохина// Альманах клинической медицины. 2008. — № 18. — с. 50−56.
  88. Яне, Б. Цифровая обработка изображений/ Б. Яне. М.: Техносфера, 2007. — 584 с.
  89. Ballard, D.H. Generalizing the Hough transform to direct arbitrary shapes/ D.H. Ballard// Pattern Recognition, vol. 13, 1981.-pp.111−122.
  90. Boser, B.E. A training algorithm for optimal margin classifiers/B.E. Boser, I.M.Guyon, V.N.Vapnik//in Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory, ACM Press, 1992-pp. 144−152.
  91. Canny, J.F. Finding edges and lines in images/J.F. Canny // Master’s thesis, MIT, Cambridge, USA, 1983 .-p. 149.
  92. Cortes, C. Support Vector Networks/C. Cortes, V. Vapnik//Machine Learning 20(3), 1995.- pp.273−297.
  93. Krasheninnikov, V. R. Identification of Pectinate Structures in Images of Blood Serum Facias/V.R. Krasheninnikov, A.S. Kopylova// Pattern Recognition and Image Analysis.-201 l.-Vol. 21, No.3.-pp.508−510.
  94. УТВЕРЖДАЮ» Г.^едселатель УРОООРОАГ д М- и.-, профессор. п/'Трубникова Л.И.'У 1 2012 г. 1. Ч с'1. АКТвнедрения результатов диссертации Копыловой Анны Сергеевны
  95. Разработка и моделирование алгоритмов распознавания маркёров на изображениях фаций сыворотки крови" на соискание ученой степени кандидата технических наук
  96. Врач-гинеколог Ц H.A. Савинова
  97. Врач-уролог Ю.В. Скогорев
  98. УТВЕРЖДАЮ" Директор ООО «Медицинский центр «Академия», к.м.н./У?>«««««» Трубников B.C. «» 2012 г. 1. АКТвнедрения результатов, полученных в диссертации Копыловой A.C.
  99. Разработка и моделирование алгоритмов распознавания маркёров на изображениях фаций сыворотки крови» на соискание ученой степени кандидата технических наук
  100. Разработанные в главе 2 способы и алгоритмы распознавания наиболее информативных маркёров на изображениях фаций сыворотки крови.
  101. Описанная в третьей главе компьютерная программа для анализа изображения фаций сыворотки крови, в результате работы которой отмечаются найденные маркёры и формируется заключение о возможных заболеваниях.
  102. Широкое внедрение в медицинскую практику результатов, полученных A.C. Копыловой в её диссертации, будет способствовать улучшению медицинского обслуживания населения.
  103. Зав. лабораторией х^-г^ту A.M. Лачужникова1. Доцент кафедры flj/a/акушерства и гинекологии УлГУ Г^у/ .Албутова
  104. Зам. директора по лечебной работе J^
  105. ООО «МЦ «Академия» Н.В. Домашевская
  106. Разработка и моделирование алгоритмов распознавания маркеров на изображениях фаций сыворотки крови» в учебном процессе Ульяновскогогосударственного университета
  107. Зав кафедрой акушерства и ^ ~гинекологии УлГУ д.м.н., профессор (уА ?т/Ц^Х^ Л.И. Трубникова1. УТВЕРЖДАЮ
  108. Эти алгоритмы и реальные изображения фаций уже четыре года используются как пример структурного распознавания образов в лабораторном практикуме курса «Специальные методы обработки изображений», что и подтверждается настоящим актом.
  109. Заведующий кафедрой САПР УлГТУ, д.т.н., профессор1. В.Р. Крашенинников
Заполнить форму текущей работой

Сессия? Спокойно!