Разработка системы технического зрения для автоматизации цитоморфологических анализов крови
Перспективным направлением исследований является создание систем, распознающих патологические клеточные формы в крови и костном мозге. Создание таких систем требует применения экспертных классификаторов, использующих информацию, полученную с помощью различных, в том числе и новых, структурных методов анализа изображения. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Измерение горизонтального… Читать ещё >
Разработка системы технического зрения для автоматизации цитоморфологических анализов крови (реферат, курсовая, диплом, контрольная)
Содержание
- Актуальность
Развитие средств диагностики функционального состояния человеческого организма и систем обработки информации, поступающей от этих средств, открывает перед медициной новые возможности. Часто информация, получаемая в процессе исследования организма, представляется в виде двумерных изображений. Особенностями медицинских изображений являются зашумленность, перенасыщенность семантической информацией, большое разнообразие форм наблюдаемых объектов, высокая сложность интерпретации. В связи с этим методы обработки информации в системах технического зрения медицинского назначения чрезвычайно разнообразны и определяются спецификой задачи.
Одним из важнейших методов диагностики состояния человеческого организма является цитоморфологическое исследование крови, поскольку кроветворные органы чрезвычайно чувствительны к различным физиологическим и патологическим воздействиям на организм. Формула крови является тонким отражением этих воздействий [1, 24, 25, 40, 43].
Традиционно цитоморфологический анализ крови выполняется врачом-лаборантом с помощью микроскопа. Однако трудоемкость этого анализа высока [24, 25, 40]. Необходимость эффективного учета показателей крови в ряде клинических ситуаций стала основой создания автоматизированных проточных систем анализа [24, 40Л.
Для определения лейкоцитарной формулы крови в проточных счетчиках используются различные методы [21, 40, 73, 74]: метод жидкостной цитохимии, электронный, метод на основе измерения угла рассеяния света от когерентных источников и др. Проточные счетчики с их высокой производительностью, безусловно, вносят большой вклад при массовой диспансеризации населения, при обследовании больных без системного поражения органов кроветворения. При заболеваниях системы крови работу таких аппаратов должны контролировать врачи-лаборанты, поскольку проточные счетчики не позволяют обнаружить ряд важных морфологических особенностей кле-ток[24, 40, 74].
В связи с этим существует потребность в автоматизации цитоморфоло-гических анализов путем применения системы технического зрения. Отличаясь от проточных систем меньшей производительностью, они потенциально позволяют выделять ряд важных для диагностики морфологических особенностей клеток крови. В отличие от ручного анализа система технического зрения способна обеспечить большую объективность и повторяемость результатов, позволяет получить дополнительную информацию о морфологии клеток крови.
Существующие системы технического зрения для цитоморфологиче-ского анализа крови имеют ряд недостатков:
1) чувствительность к цветояркостным характеристикам изображения препарата, которые определяются технологией окрашивания мазка и условиями наблюдения-
2) набор признаков, используемых для описания формы ядер лейкоцитов, не отражает их существенных особенностей, описанных в медицинской литературе-
3) система не позволяет с высокой точностью оценивать концентрацию в крови клеток различных типов-
4) невысокая производительность-
5) высокая стоимость технических средств.
В связи с этим актуален поиск путей повышения производительности и адаптивности систем, разработка эффективного признакового пространства и методов распознавания клеток.
Цель диссертационной работы
Целью диссертационной работы является разработка эффективной системы технического зрения для автоматизации цитоморфологических анализов крови.
Для достижения поставленной цели необходимо решить следуюш-ие задачи:
1. Разработка адаптивного метода выделения структурных элементов изображений лейкоцитов, устойчивого к вариациям цветояркостных характеристик препарата.
2. Разработка множества признаков лейкоцитов, хорошо соотносящихся с признаками, описанными в медицинской литературе, и методов их определения по изображению. Разработка методов распознавания лейкоцитов.
3. Разработка более точного метода определения концентрации клеток различных типов в крови.
4. Исследование путей повышения производительности и снижения стоимости технических средств системы.
5. Создание и испытание действующего прототипа системы и экспериментальное подтверждение эффективности разработанных методов.
Методы исследования
При решении поставленных задач в диссертации использованы методы исследований и моделирования на ЭВМ, основанные на современной теории сигналов, методах теории обработки изображений, распознавания образов и оптимизации.
Научная новизна
1. Разработан адаптивный метод сегментации изображения мазка крови, обеспечивающий приемлемые результаты для 98% изображений. При этом к технологии окраски мазков и условиям съемки не предъявляется жестких требований.
2. Разработан и исследован рабочий словарь признаков системы распознавания лейкоцитов, составленный из существенных признаков, выражающих описанные в медицинской литературе морфологические особенности клеток.
3. Разработана и исследована методика применения детерминированного и нейросетевого классификаторов для распознавания лейкоцитов.
4. Разработана структура комплекса технических средств системы и алгоритм ее функционирования, обеспечивающие существенное повышение производительности. Определены требования к пространственному разрешению средств получения изображения.
5. Разработана эффективная модификация метода автоматической фокусировки видеомикроскопа, основанного на анализе изображения, позволяющая выполнять правильную фокусировку в случае нарушения условия унимодальности критерия резкости. Определены условия, при которых данная модификация эффективна.
6. Разработан алгоритм определения перемещения предметного столика видеомикроскопа, основанный на анализе изображения, позволяющий осуществлять контроль за траекторией сканирования препарата с помощью минимального количества технических средств.
Практическая ценность
Практическая ценность диссертационной работы заключается в разработке словаря признаков подсистемы распознавания лейкоцитов, соотносящихся с признаками, используемыми в медицинской литературе. Разработаны методы определения этих признаков, устойчивые к вариациям цветояркостных характеристик изображения препарата.
Разработан метод автоматизированного определения концентрации клеток путем их подсчета в счетной камере.
Разработана структура комплекса технических средств системы технического зрения и методы управления ею. При этом обеспечивается повышение производительности и снижение стоимости системы. Определены основные требования к пространственному разрешению средств получения изображений.
Проведены испытания прототипа системы и получены результаты, подтверждаюш-ие эффективность разработанных методов.
Результаты работы позволяют рекомендовать предложенные решения для использования в клинической практике.
На защиту выносятся
1. Метод сегментации изображений лейкоцитов.
2. Состав рабочего словаря признаков подсистемы распознавания лейкоцитов и методы их выделения.
3. Метод распознавания лейкоцитов.
4. Структура комплекса технических средств системы технического зрения для цитоморфологического анализа крови и алгоритмы ее работы.
5. Метод автоматической фокусировки видеомикроскопа.
6. Метод определения перемещения препарата по изображению.
7. Результаты экспериментальных исследований методов автоматизации цитоморфологических анализов крови.
Апробация
Исследования проводились по НИР № 1.80/2006 «Исследование динамики морфологического состава крови как средства валеологического мониторинга», в рамках корпоративного проекта по тематическому плану по заданию Министерства образования РФ (с 1997 г. по настоящее время), по ФЦП «Интеграция» (проект АООЗО тема 2177/2), в рамках научной молодежной школы «Цифровая обработка информации» (тема 2177/3). Результаты работы внедрены в учебный процесс факультета радиофизики, электроники и медицинской техники Владимирского государственного университета. Основные положения докладывались на следующих конференциях: 1) «Перспективные технологии в средствах передачи информации», Владимир, ВлГУ, 1997 г.- 2) «Микроэлектроника и информатика — 98», Зеленоград, МИЭТ, 1998 г.- 3) «Биотехнические, медицинские и экологические системы и комплексы», Рязань, РГРА, 1998 г.- 4) «Математика. Компьютер. Образование», Пущино,
1999 г.- 5) «Цифровая обработка сигналов и ее применения», Москва, 1999 г.- 6) «Физика и радиоэлектроника в медицине и экологии», Владимир, ВлГУ,
2000 г.
Публикации
По теме диссертации были опубликованы 10 печатных работ, включая 7 статей, 3 тезиса докладов.
Благодарности
Автор благодарит научных руководителей д.т.н., профессора Сушкову Л. Т., К.Т.Н., доцента Жиркова В. Ф. за оказанное внимание и научное руководство.
Структура и объем работы
Диссертационная работа состоит из введения, пяти глав, заключения и списка использованных источников из 117 наименований. Общий объем работы 150 страниц, в том числе 138 страниц основного текста, 12 страниц списка литературы, таблиц 12, рисунков 60.
— 1365.6. Выводы.
1. Разработанный метод подсчета клеток в счетной камере эффективен. Погрешность при подсчете эритроцитов составляет 1,6%, лейкоцитов — 4,1%.
2. Разработанный метод определения лейкоцитарной формулы крови эффективен. Наилучшими характеристиками обладает нейросетевой классификатор клеток. Для 6 классов клеток вероятность правильной классификации составляет 0,88±0,03, для 5 — 0,95±0,02. Доверительные интервалы определены с вероятностью 0,95.
3. Чтобы увеличить точность распознавания лейкоцитов, необходимо реализовать итеративный процесс распознавания с адаптивным выбором алгоритмов анализа изображения и их параметров.
4. Производительность прототипа системы невысока из-за простоты использованных для ее построения средств. Потенциально производительность системы может быть выше производительности врача-лаборанта.
ЗАКЛЮЧЕНИЕ
.
Итоги исследований.
В ходе исследований были получены следующие результаты:
1. Рассмотрены современные методы цитоморфологического анализа крови. Показана необходимость создания эффективных систем технического зрения для цитоморфологического анализа крови.
2. Рассмотрена структура адаптивной системы технического зрения и обобщенная технология анализа цитоморфологического изображения. Проведен анализ существующих методов анализа и описания изображений цито-морфологических препаратов крови.
3. Разработан надежный адаптивный многостадийный алгоритм сегментации изображений окрашенных мазков крови. Кроме цветовых признаков при сегментации учитываются ограничения на размеры выделяемых объектов и контурная информация.
4. Разработан рабочий словарь признаков системы распознавания лейкоцитов, основанный на существенных признаках, используемых при описании клеток на естественном языке.
5. Исследованы детерминированный и нейросетевой методы распознавания лейкоцитов. Экспериментами подтверждена эффективность системы распознавания.
6. Разработан метод подсчета клеток крови в счетной камере.
7. Предложена структура системы технического зрения, позволяющая эффективно проводить поиск и распознавание объектов, имеющих низкую концентрацию в препарате.
8. Исследованы различные критерии резкости изображения мазка крови. Разработана модификация метода автоматической фокусировки, эффективная при нарушении условия унимодальности критерия резкости.
— 1389. Разработан алгоритм автоматического определения перемещения препарата по изображению.
10. Построен прототип системы технического зрения для цитоморфо-логического анализа крови. Результаты испытания системы подтвердили эффективность разработанных методов анализа изображения и управления системой.
Перспективы развития систем технического зрения для цитомор-фологического анализа крови.
Проведенные исследования показали, что для достижения большей точности распознавания лейкоцитов необходимо реализовать многоэтапную процедуру классификации. При этом по результатам распознавания на ранних этапах выбирать алгоритмы обработки изображений и их параметры. Необходимо разработать эффективные алгоритмы обработки, специфичные для определенных видов клеток, и правила, которыми будет управляться процесс настойки системы.
Перспективным направлением исследований является создание систем, распознающих патологические клеточные формы в крови и костном мозге. Создание таких систем требует применения экспертных классификаторов, использующих информацию, полученную с помощью различных, в том числе и новых, структурных методов анализа изображения.
ПУБЛИКАЦИИ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИИ.
1. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Проблема автоматической фокусировки видеомикроскопа при сканировании цитологических препаратов // Биомедицинская электроника. — 2000. — № 6. — С. 55 — 60.
2. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Использование системы технического зрения для определения формулы крови // Цифровая обработка сигналов и ее применения. — М., 1999 г. — Т. III. — С. 739 — 744.
3. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Поиск эффективных решений при компьютерной обработке изображений одного класса // Материалы конф. «Перспективные технологии в средствах передачи информации» -Владимир, 1997 г. — С. 109−113.
4. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Технология и методы компьютерного анализа и обработки медицинских изображений // Тр. 4-й Между-нар. науч.-техн. конф. «Физика и радиоэлектроника в медицине и экологии»: В 2ч. — Владимир, 2000 г. — Ч. 2. — С. 82 — 89.
5. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Измерение горизонтального перемещения препарата при сканировании мазков крови системой технического зрения на основе моторизованного видеомикроскопа // Тр. 4-й Междунар. науч.-техн. конф. «Физика и радиоэлектроника в медицине и экологии»: В 2ч. — Владимир, 2О0О г. — Ч. 2. — С. 214 — 218.
6. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Меры резкости изображения для автоматической фокусировки видеомикроскопа при сканировании цитологических препаратов // Тр. 4-й Междунар. науч.-техн. конф. «Физика и радиоэлектроника в медицине и экологии»: В 2ч. — Владимир, 2000 г. — Ч. 2.-С. 219−224.
7. Жирков В. Ф., Новиков КВ., Сушкова Л. Т Модификация метода пассивного поиска для автоматической фокусировки видеомикроскопа при нарушении унимодальности критерия резкости изображения // Тр. 4-й Между.
— 140нар. науч.-техн. конф. «Физика и радиоэлектроника в медицине и экологии»: В 2ч. — Владимир, 2000 г. — Ч. 2. — С. 224 — 228.
8. Новиков КВ. Повышение эффективности лабораторных цитоморфологи-ческих исследований крови // Микроэлектроника и информатика — 98: Тез. докл. Всерос. межвуз. науч.-техн. конф. студентов и аспирантов: В 2 ч. -М, 1998 Г.-Ч.1.-С. 199.
9. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. АРМ для микроскопических исследований // Тез. докл. Всерос. науч.-техн. конф. студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» — Рязань, 1998 г. — С. 29 — 31.
Жирков В. Ф., Новиков К. В., Сушкова Л. Т. Математическая модель изображения лейкоцита в системе технического зрения для определения формулы крови // Тез. докл. VI Междунар. конф. «Математика. Компьютер. Образование» — М., 1999 г. — Ч. 6. — С. 110.
1. Абрамов М. г. Гематологический атлас М.: Медицина, 1979. — 280с: ил.
2. Бакут П. А., Колмогоров Г. С., Ворновщкий Н. Э. Сегментация изображений: Методы пороговой обработки.// Зарубежная радиоэлектроника. -1987.-№ 10. с.6−24.
3. Ъ. Бакут П. А., Колмогоров Г. С. Сегментация изображений: Методы выделения границ областей.// Зарубежная радиоэлектроника. 1987. — № 10. с.25−47.
4. Патент РФ № 2 147 123 Способ анализа клеточного состава крови по мазку / Боев С. Ф., Веденская Н. В., Виноградов А. Г., Иванова И. А., Козинец Г. И., Масалов A.B., Погорелов В. М., Сазонов В. В., 1998.
5. Бутаков Е. А. и др. Обработка изображений на ЭВМ/ Е. А. Бутаков, В. И. Островский, И. Л. Фадеев. М.: Радио и связь, 1987. — 240 с: ил.
6. Виттш В. А., Сергеев В. В., Сойфер В. А. Обработка изображений в системах научных исследований. М.: Наука, 1982. — 212 с.
7. Галушкин А. И. Теория нейронных сетей. Кн. 1: Учебн. пособие для ВУЗов / Общ. ред. А. И. Галушкина. М: ИПРЖР, 2000. — 416 с: ил.
8. Горелик А. Л., Скрипкин В. А. Методы распознавания: Учеб. пособие для вузов. 3-е изд., перераб. и доп. — М.: Высш. шк., 1989. — 232 с: ил.
9. Грузман КС, Киричук B.C., Косых В. П., Перетягин Г. И., Спектор A.A. Цифровая обработка изображений в информационных системах: Учебное пособие.- Новосибисрк: Изд-во НГТУ, 2000. 168.
10. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигна-лов.-М.: Мир, 1988.
11. Ы. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Использование системы технического зрения для определения формулы крови// Цифровая обработка сигналов и ее применения: Доклады. Том III. М: МЦНТИ, 1999, с. 739−744.
12. Жирков В. Ф., Новиков КВ., Сушкова Л. Т Математическая модель изображения лейкоцита в системе технического зрения для определения формулы крови// Математика. Компьютер. Образование.: Тезисы докладов. Ч. 6.-м.: МГУ, 1999, с. ПО.
13. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Поиск эффективных решений при компьютерной обработке изображений одного класса// Перепективные технологии в средствах передачи информации: Материалы конф.: Гаврилов-Посад: Институт оценки земли, 1997, с. 109−113.
14. Жирков В. Ф., Новиков КВ., Сушкова Л. Т. Проблема автоматической фокусировки видеомикроскопа при сканировании цитологических препаратов// Биомедицинская электороника, 2000, № 6.
15. Кац A.M., Канторович A.C. Руководство по приборам и оборудованию для медико-биологических исследований. Л.: Медицина, 1976. — 256 с.
16. Кийко В. М. Быстродействующий алгоритм скелетизации графических изображений//Теоретические и прикладные вопросы распознавания изображений: Сб. научн. тр./ АН УССР Инст. кибернетики им. В. М. Глуш-кова, 1991, с. 5−15.
17. Киричук B.C., Перетягин Г. И. Об установлении сходства фрагментов с эталоном// Автометрия. 1986. № 4. с. 83.
18. Козинец Г. И. Интерпретация анализов крови и мочи. Клиническое значение анализов, СПб.: Салит, 1997.
19. Козловская Л. В., Николаев А. Ю. Учебное пособие по клиническим лабораторным методам исследования, 2-е изд. — М.: Медицина, 1984, 288 с, ил.
20. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, 1988.
21. Круглое В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2001. — 382 с: ил.
22. Морозов А. М., Кононов И. В. Оптические приборы М.: Высш. шк., 1987. 111с.: ил.
23. Осуга С. Обработка знаний: Пер. с япон. М.: Мир, 1989. — 293 с, ил.
24. Перов А. И., Соколов Г. Г. Алгоритм последовательного выделения контура объекта на двумерных цифровых изображениях// «Статистический синтез радиосистем», № 3, 1998.
25. Патент РФ № 2 123 682 Способ диагностики возбудителей инфекционных и паразитарных болезней и установка для его осуш-ествления / Перунов Ю. М., Петренко А. Г., Приймак A.A., Рябцев Е. И., Спиридонов Ю. А., Су-тугинВ.Г., 1997.
26. Попова Г. М., Дружинин Ю. О., Гончаров Н. П., Добрачева А. Д Компьютерный анализ изображений сперматозоидов. Труды конференции «Био-медприбор-2000», М:-ЗАО «ВНИИМП-ВИТА», 2000.
27. Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982.
28. Пятницкий A.M., Белостоцкий А. П., Балугян Р. Ш., Журкина Т. В., Соколинский Б. З. Подсчет абсолютного числа эритроцитов и лейкоцитов в окрашенных мазках крови с помощью анализатора Мекос-Ц, Труды конференции «Биомедприбор-2000», М:-ЗАО «ВНИИМП-ВИТА», 2000.
29. Садыков С. С, Кадырова Г. Х., Азимов Ш. Р. Системы цифровой обработки изображений, Ташкент: Фан, 1988. — 168 с: ил.-14 539. Садыков С. С, Кан В. Н., Самандаров И. Р. Методы выделения структурных признаков изображений, Ташкент: Фан, 1990. — 104с.: ил.
30. Сафонова Л. П. Основные направления развития автоматизированных систем анализа изображений биопрепаратов.// «Биомедицинская электроника», 2000 г., № 9. с. 47−54.
31. Сигеру О. Нейроуправление и его приложения. Кн. 2/ Сигеру Ома-ту, Марзуки Халид, Рубе ЮсуфПер. с англ. Н. В. Батина Под ред. А. И. Галушкина, В. А. Птичкина. М.: ИПРЖР, 2000. — 272 с: ил.
32. Системы технического зрения/ Под обш-. ред. А. Н. Писаревского, А. Ф. Чернявского. Л.: Машиностроение, 1988. — 424 с.
33. Справочник по клиническим лабораторным методам исследования / Под. обш-. ред. Е. А. Кост. М.: Медицина, 1968.
34. ТуДж., Гонсалес Р. Принципы распознавания образов/ Пер. с англ.- Под. ред. Ю. И. Журавлева. М.: Мир, 1980.
35. Уэно X., Кояма Т., Окамото Т., Мацуби Б., Исидзука М. Представление и использование знаний: Пер. с япон./ Под ред. X. Уэно, М. Исидзука. М .: Мир, 1989. — 220 с, ил.
36. Хорн Б.К. П. Зрение роботов. М.: Мир, 1989.
37. Цифровая обработка сигналов и ее применения / Отв. ред. Л. П. Ярославский. -М.: Наука, 1981.-223 с.
38. Экспертные системы/ Под. ред. Р. ФорсайтаПер. с англ. М.: Радио и связь, 1987.
39. Яншин В. В. Анализ и обработка изображений: принципы и алгоритмы, М.: Машиностроение, 1994. — 112с.: ил.
40. Ярославский Л. П.
Введение
в цифровую обработку изображений. -М.: Сов. Радио, 1979;14 653. BamfordP., LovellB. A Water Immersion Algorithm for Cytological Image Segmentation// Proc. of British Machine Vision Conference, 1998.
41. Bamford P., Lovell B. Improving the Robustness of Cell Nucleus Segmentation// Proc. of British Machine Vision Conference, 1998.
42. Banarse D.S., Duller A.W. Application of neural deformable templates to hand written digit classification// http://citeseer.nj.nec.com.
43. Belongie S., Malik J. Finding Boundaries in Natural Images: A New Method Using Point Descriptors and Area Completion// Fifth Euro. Conf on Computer Vision, Freiburg, Germany, 1998.
44. Brandtberg T., Walter F. Automated Delineation of Individual Tree Crowns in High Spatial Resolution Aerial Images by Multiple-Scale Analysis// Springer-Verlag, Machine Vision and Applications, 1998, #11.
45. Bruce A. Draper, Allen R. Hanson An Example of Learning in Knowledge-Directed Vision// Proc. of 7th Scandinavian Conference on Image Analysis. Aalborg, Denmark, 1991, volume I, pages 189−201.
46. Bruce A. Draper, Allen R. Hanson, Edward M. Riseman Knowledge D irected Vision: Control, Leaming and Integration// Proc. IEEE Signals and Symbols, 84(11): 1625−1637, 1996.
47. Burwick T.T. Neural Network Construction via Back-Propagation// Proc. of Stanford PDP Research Meeting, 1994.
48. Caselles V., KimmelR., Sapiro G., Sbert C. Minimal Surfaces: A three dimensional segmentation approach//http://citeseer.nj .nec.com.
49. Pat. #584 8193(US) Wavelet projection transform features applied to real time pattern recognition // Garcia J.P., 1998.
50. KimmelR., MalladiR., SochenN. Image processing via the Beltrami operator// http://citeseer.nj .nec.com.
51. Koschan A. A Comparative Study On Color Edge Detection// Proc. of 2nd Asian Conference On Computer Vision A C C V' 9 5, Singapore, 5−8 December 1995, Vol. Ill, pp. 574−578.
52. Kutza K. Neural Networks at your Fingertips// http ://www. geocities.com/CapeCanaveral/16247S.Labbi A., Milanese R., Bosch H. Gray-level object segmentation with a network of FitzHugh-Nagumo oscillators// http://citeseer.nj.nec.com.
53. Leung T., Malik J. Contour continuity in region based image segmentation// Proc. of Fifth Euro. Conf on Computer Vision, Germany, 1998.
54. SlMarshallD. Vision Systems// http://www.dai.ed.ac.uk/CVOnline.
55. AЪ.МегШN., Zerubia J. New prospects in line detection for remote sensing images// Pattern Analysis and Machine Intelligence, Vol. 18, No. 4, April 1996, pp. 426−43 1.
56. MirmehdiM., PalmerP.L., Kittler J., DabisH. Multi-Pass Feedback Confrol for Object Recognition// Proc. of Vision Interface Conf., Toronto, 1996.
57. Mitchell T. Neural Networks and face images// http://www-2.cs.cmu.edu/afs/cs.cmu.edu/project/theo-5/www/mlcourse/.
58. Montesinos P., Gouet V., Deriche R., PeleD. Differential Invariants for Color Images// http://www.dai.ed.ac.uk/CVOnline.
59. MostafaviK, Smith P. W. Image correlation with geometric distorsion// IEEE Transactions, 1978, v. AES-14, p. 487−500.
60. SS. Nayar S.K., Baker S., Murase H. Parametric feature detection// Proc. of Computer Vision and Pattern Recognition, San Francisco, 1996.
61. Neural network with back propagation fraining algorithm// http://www.neuralbench.ru90.0wens R. Lectures on Computer Vision//http://www. dai. ed.ac.uk/CVOnline.
62. Parker J., Jennings C, Molaro D. A Force-Based Thiiming Strategy With Sub-Pixel Precision// Proc. of Vision Interface 94 (Banff, AB, May 1994).
63. Pat. #579 6862(US) Apparatus and method for identification of tissue regions in digital mammographie images// Pawlicki T.F., Gaborsk R.S., Seim R. A., 1998.
64. Portilla J., Simoncelli E. Texture Modeling and Synthesis Using Joint Statistics of Complex Wavelet Coefficients// Proc. ofthe IEEE Workshop on Statistical and Computational Theories ofVision, Fort Collings, CO, June, 1999.
65. Pat. #579 0710(US) Autofocus system in scaiming microscopy // Price J.H., GoughD. A., 1998.
66. Pun T., Gerig G., Ratib O. Image analysis and computer vision in medicine// Computerized medical imaging and graphics. New York. — Vol. 18(1994), no 2, p. 85−96.
67. Pat. #586 2245(US) Method of extracting contours using a combined active contour and starter/guide approach // Renouard F., Rezzouk J., 1999.
68. Pat. #574 0270(US) Automated cytological specimen classification system and method // Rutenberg MR., Hall T.L., 1998.
69. Rybak I.A., Gusakova V.I., Golovan A. V., Podladchikova L.N., Shevtsova N.A. A Model of Attention-Guided Visual Perception and Recognition// Vision Research, 1998.
70. Shekhar C., Moisan S., Vincent R., Burlina P., Chellappa R. Knowledge-Based Control of Vision Systems// lEA/AIE (Vol. 2) 1998: 427−436.
71. Pat. #5 830 141 (US) Image processing method and device for automatic detection of regions of a predetermined type of cancer in an intensity image // SherifM-E., Roux J-P, Cohen-Solal E., 1998.
72. Pat. #587 8159(US) Method for processing endoscopic images obtained with multicore fibers or multifibers / Taleblou F., Depeursinge C, 1999.
73. Viola P.A. Complex Feature Recognition: A Bayesian Approach for beaming to Recognize Objects// A.I. Memo #1591, Massachusetts Institute of Technology, 1996.
74. Wallace A., Price S. Lectures on Computer Vision// http: //www.dai. ed. ac.uk/CVOnline.
75. Weiss I., Rosenfeld A. A Simple Method of Ellipse Detection// ICPR (A), pp. 253−257.
76. W. Young D. Sussex Computer Vision Teach Files// http://www.dai.ed.ac.uk/CVOnline.
77. Young, Gerbrands, van Vliet Image Processing Fundamentals// http: //www.dai. ed. ac.uk/CVOnline.
78. Raja Y., Gong S. Gaussian Mixture Models Zhong Yu 2D Deformable Template Models: A Review // http://www.dai.ed.ac.uk/CVOnline.
79. Zhong Yu 2D Deformable Template Models: A Review // http:// www.dai.ed.ac.uk/CVOnline.
80. Яворский Б. М., Детлаф A.A. Справочник no физике. M.: Наука, 1968.-940 с: ил.
81. Жирков В. Ф. Методы и алгоритмы оптимизации нелинейных задач. -Владимир: ВПИ, 1986.
82. Пугачев B.C. Теория вероятностей и математическая статистика. -М.: Наука, 19 791. АКТ.
83. Декан ФРЭМТ, д.т.н., пофессор -.уЛЛ Сушкова2001 г. 1. Зав. кафедрой РТиРС, д.т.н., тЛрофессор •'ЛЛЛ'Л'ЛЛ O.P. Никитин ." 22У> алл-елл-лил 2001 г. д.т.н., профессор зедры РТиРС, 1. А.К. Бернюковf- «OKI4 J 2001 г.
84. УТВЕРЖДАЮ Главный врачЛЦдщЛЛеЛюй больницы. //Л-ЛЛ10 «АвтЛаибор» и <<Т.