Архив номеров
Медицинская Техника / Медицинская техника №5, 2023 / с. 18-20

Классификация медицинских изображений на основе анализа спектров локальных окон

С.А. Филист, Д.С. Кондрашов, А.А. Кузьмин, А.Ю. Сухомлинов, Ч.Х. Аль-Дарраджи


Аннотация 

Представлен метод автоматической классификации медицинских изображений с использованием нейронных сетей. Метод включает в себя этап сегментации изображения с выделением областей интереса и этап классификации сегментов по выделяемым классам патологических образований. Разработаны алгоритмическое и программное обеспечения для классификации медицинских изображений, экспериментальная апробация которых на контрольных выборках при дифференциальной диагностике сегментов классов «онкология» и «панкреатит» на эндоскопических снимках поджелудочной железы показала диагностическую чувствительность по классам не менее 0,8 при диагностической специфичности не менее 0,85.


Вернуться к содержанию

Сведения об авторах

Сергей Алексеевич Филист, д-р техн. наук, профессор, 
Дмитрий Сергеевич Кондрашов, аспирант, 
Александр Алексеевич Кузьмин, канд. техн. наук, доцент, 
Артем Юрьевич Сухомлинов, аспирант, кафедра биомедицинской инженерии, Юго-Западный государственный университет, г. Курск, 
Часиб Хасан Аль-Дарраджи, аспирант, кафедра биомедицинской инженерии, Юго-Западный государственный университет, г. Курск, преподаватель, Университет Дияла, Баакубу, Республика Ирак, 

Список литературы

1. Goyal H., Mann R., Gandhi Z., Perisetti A., Zhang Z., Sharma N., Saligram S., Inamdar S., Tharian B. Application of artificial intelligence in pancreaticobiliary diseases // Therapeutic Advances in Gastrointestinal Endoscopy. 2021. Vol. 14. PP. 1-12. 
2. Hameed B.S., Krishnan U.M. Artificial Intelligence-Driven Diagnosis of Pancreatic Cancer // Cancers. 2022. Vol. 14. № 21. P. 5382. 
3. Протасова З.У., Шаталова О.В., Дафалла А.А.Б., Дегтярев С.В. Методы и алгоритмы формирования слабых классификаторов в ансамбле классификаторов прогнозирования сердечно-сосудистых рисков // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9. № 3 (32). С. 64-83. 
4. Chen P.T., Chang D., Wu T., Wu M.S., Wang W., Liao W.C. Applications of artificial intelligence in pancreatic and biliary diseases // Journal of Gastroenterology and Hepatology. 2021. Vol. 36. № 2. PР. 286-294. 
5. Филист С.А., Кондрашов Д.С., Сухомлинов А.Ю., Шульга Л.В., Аль-Дарраджи Ч.Х., Белозеров В.А. Автоматизированная система классификации снимков УЗИ поджелудочной железы на основе метода посегментного спектрального анализа // Моделирование, оптимизация и информационные технологии. 2023. Т. 11. № 4. С. 1-19. 
6. Tian G., Xu D., He Y., Chai W., Deng Z., Cheng C., Jin X., Wei G., Zhao Q., Jiang T. Deep learning for real-time auxiliary diagnosis of pancreatic cancer in endoscopic ultrasonography // Frontiers in Oncology. 2022. Vol. 12. Р. 973652. 
7. Roy M.R.R., Anandha Mala G.S., Sarika C., Shruthi S., Sripradha S. Segmentation of pancreatic cysts and roi extraction from pancreatic ct images using machine learning // European Journal of Molecular & Clinical Medicine. 2020. Vol. 7. № 4. 11 p. 
8. Zhu J., Wang L., Chu Y., Hou X., Xing L., Kong F., Zhou Y., Wang Y., Jin Z, Li Z. A new descriptor for computer-aided diagnosis of EUS imaging to distinguish autoimmune pancreatitis from chronic pancreatitis // Gastrointestinal Endoscopy. 2015. Vol. 82. № 5. PР. 831-836. 
9. Филист С.А., Дабагов А.Р., Томакова Р.А., Малютина И.А., Кондрашов Д.С. Метод каскадной сегментации рентгенограмм молочной железы // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. № 9 (1). С. 49-61. 
10. Ефремов М.А., Шаталова О.В., Федянин В.В., Шуткин А.Н. Гибридные многоагентные классификаторы в биотехнических системах диагностики заболеваний и мониторинге лекарственных назначений // Нейрокомпьютеры: разработка, применение. 2015. № 6. С. 42-47. 
11. Коровин Е.Н., Шаталова О.В., Жилин В.В. Применение гибридной нейронной сети с макрослоями для классификации сердечно-сосудистых заболеваний // Биомедицинская радиоэлектроника. 2014. № 9. С. 32-37.