Компьютерная диагностика - Computer-aided diagnosis

Для компьютерной помощи в других областях медицины см. Система поддержки принятия клинических решений.
Не путать с Диагностика (искусственный интеллект).
Компьютерная диагностика
Рентген руки, на котором костный возраст автоматически определяется программой BoneXpert.jpg
рентгеновский снимок руки, с автоматическим расчетом костный возраст с помощью компьютерного программного обеспечения.
Целькомпьютерная помощь диагностика изображений

Компьютерное обнаружение (CADe), также называемый компьютерная диагностика (CADx) - это системы, помогающие врачам интерпретировать медицинские изображения. Методы визуализации в рентгеновский снимок, МРТ, и УЗИ Диагностика дает большой объем информации, которую радиолог или другой медицинский работник должен проанализировать и всесторонне оценить за короткое время. Системы CAD обрабатывают цифровые изображения для получения типичного внешнего вида и выделения заметных участков, таких как возможные заболевания, чтобы предложить исходные данные для поддержки решения, принятого профессионалом.

CAD также имеет потенциальные будущие приложения в цифровая патология с появлением изображений всего слайда и машинное обучение алгоритмы. До сих пор его применение ограничивалось количественной оценкой иммуноокрашивание но также исследуется стандарт H&E пятно.[1]

CAD - это междисциплинарный технология, сочетающая элементы искусственный интеллект и компьютерное зрение с радиологический и патология обработка изображений. Типичное применение - обнаружение опухоли. Например, некоторые больницы используют CAD для проведения профилактических медицинских осмотров в маммография (диагностика рака груди), обнаружение полипов в толстой кишке и рак легких.

Системы компьютерного обнаружения (CADe) обычно ограничиваются маркировкой заметных структур и участков. Системы компьютерной диагностики (CADx) оценивают заметные структуры. Например, в маммографии CAD выделяет кластеры микрокальцификации и гиперплотные структуры в мягких тканях. Это позволяет рентгенологу сделать выводы о состоянии патологии. Еще одно приложение - CADq, которое позволяет количественно например, размер опухоли или поведение опухоли при поглощении контрастного вещества. Компьютерная простая сортировка (CAST) это другой тип САПР, который выполняет полностью автоматическую первоначальную интерпретацию и сортировка исследований в некоторые значимые категории (например отрицательный и положительный). CAST особенно применима в неотложной диагностической визуализации, где требуется оперативная диагностика критического, опасного для жизни состояния.

Хотя CAD используется в клинических условиях более 40 лет, CAD обычно не заменяет врача или другого специалиста, а играет вспомогательную роль. Профессионал (как правило, радиолог) обычно несет ответственность за окончательную интерпретацию медицинского изображения. Однако целью некоторых CAD-систем является обнаружение самых ранних признаков отклонений у пациентов, которые не могут быть недоступны специалистам-людям, как в диабетическая ретинопатия, архитектурные искажения на маммограммах,[2][3] узелки матового стекла при КТ грудной клетки,[4][5] и неполиповидные («плоские») поражения при КТ-колонографии.[6]

Темы

Краткая история

В конце 1950-х, с появлением современных компьютеров, исследователи в различных областях начали изучать возможность создания систем компьютерной медицинской диагностики (CAD). Эти первые системы CAD использовали блок-схемы, статистическое сопоставление с образцом, теорию вероятностей или базы знаний для управления процессом принятия решений.[7]

С начала 1970-х годов некоторые из самых ранних CAD-систем в медицине, которые часто назывались «экспертные системы »В медицине, были разработаны и использовались в основном в образовательных целях. В МИЦИН экспертная система,[8] то Интернист-I экспертная система[9] и КАДУЦЕЙ (экспертная система) [10] вот некоторые из таких примеров.

В начале ранних разработок исследователи стремились создать полностью автоматизированные САПР / экспертные системы. Ожидания того, что могут делать компьютеры, среди этих ученых были нереально оптимистичными. Однако после революционной статьи «Сводимость среди комбинаторных задач» Ричард М. Карп,[11] стало ясно, что существуют ограничения, но также и потенциальные возможности при разработке алгоритмов для решения групп важных вычислительных задач.[7]

В результате нового понимания различных алгоритмических ограничений, обнаруженных Карпом в начале 1970-х годов, исследователи начали осознавать серьезные ограничения, которые имеют САПР и экспертные системы в медицине.[7] Осознание этих ограничений побудило исследователей разработать новые виды САПР с использованием передовых подходов. Таким образом, к концу 1980-х - началу 1990-х годов акцент сместился на использование сбор данных подходы с целью использования более совершенных и гибких САПР.

В 1998 году первая коммерческая CAD-система для маммографии, система ImageChecker, была одобрена Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA). В последующие годы несколько коммерческих CAD-систем для анализа маммографии, МРТ груди, медицинских изображений легких, толстой кишки и сердца также получили одобрение FDA. В настоящее время системы CAD используются в качестве диагностического средства, позволяющего врачам принимать более обоснованные медицинские решения.[12]

Методология

САПР базируется на очень сложных распознавание образов. Рентгеновские снимки или другие изображения сканируются на предмет подозрительных структур. Обычно для оптимизации алгоритма требуется несколько тысяч изображений. Данные цифрового изображения копируются на сервер САПР в DICOM -форматируются и подготавливаются и анализируются в несколько этапов.

1. Предварительная обработка за

  • Уменьшение артефактов (багов в изображениях)
  • Снижение шума изображения
  • Выравнивание (гармонизация) качества изображения (повышение контрастности) для очистки различных основных состояний изображения, например другой параметр экспозиции.
  • Фильтрация

2. Сегментация за

  • Различение различных структур на изображении, например сердце, легкие, грудная клетка, кровеносные сосуды, возможные круглые поражения
  • Соответствие с анатомической базой данных
  • Пример значений серого в интересующем объеме[13]

3. Анализ структуры / рентабельности инвестиций (регион интереса)Каждый обнаруженный регион анализируется индивидуально на предмет специальных характеристик:

  • Компактность
  • Форма, размер и расположение
  • Ссылка на близлежащие сооружения / РИ
  • Анализ среднего значения серого уровня в пределах ROI
  • Пропорция серых уровней к границе структуры внутри ROI

4. Оценка / классификацияПосле анализа структуры каждый ROI оценивается индивидуально (скоринг) на предмет вероятности TP. Следующие процедуры являются примерами алгоритмов классификации.

Если обнаруженные структуры достигли определенного порогового уровня, они выделяются на изображении для рентгенолога. В зависимости от системы CAD эти отметки могут быть сохранены постоянно или временно. Преимущество последнего в том, что сохраняются только одобренные рентгенологом маркировки. Ложные попадания не следует сохранять, потому что позднее обследование станет более трудным.

Чувствительность и специфичность

CAD-системы стремятся выделить подозрительные структуры. Современные CAD-системы не могут обнаружить 100% патологических изменений. Частота попаданий (чувствительность ) может составлять до 90% в зависимости от системы и приложения.[22]Правильное попадание называется истинным положительным результатом (TP), в то время как неправильная маркировка здоровых участков составляет ложноположительный результат (FP). Чем меньше указано FP, тем выше специфичность является. Низкая специфичность снижает признание системы CAD, потому что пользователь должен идентифицировать все эти неправильные совпадения. Показатель FP при обзорных исследованиях легких (CAD Chest) может быть снижен до 2 за одно исследование. В других сегментах (например КТ-исследования легких) частота FP может составлять 25 и более. В В РОЛЯХ систем, рейтинг FP должен быть чрезвычайно низким (менее 1 за экзамен), чтобы можно было провести полноценное исследование сортировка.

Абсолютная скорость обнаружения

Абсолютная частота обнаружения рентгенологом - это показатель, альтернативный чувствительности и специфичности. В целом, результаты клинических испытаний по чувствительности, специфичности и абсолютной частоте обнаружения могут значительно различаться. Каждый результат исследования зависит от его основных условий и должен оцениваться с учетом этих условий. Следующие факты имеют сильное влияние:

  • Ретроспективный или перспективный дизайн
  • Качество используемых изображений
  • Состояние рентгенологического исследования
  • Опыт и образование радиолога
  • Тип поражения
  • Размер рассматриваемого поражения

Проблемы, с которыми сегодня сталкивается САПР в медицине

Несмотря на многочисленные разработки, достигнутые САПР с момента появления компьютеров, системы САПР по-прежнему сталкиваются с определенными проблемами.[23]

Некоторые проблемы связаны с различными алгоритмическими ограничениями в процедурах системы CAD, включая сбор входных данных, предварительную обработку, обработку и оценку системы. Алгоритмы обычно предназначены для выбора единственного вероятного диагноза, что обеспечивает субоптимальные результаты для пациентов с множественными одновременными расстройствами.[24] Сегодня исходные данные для CAD в основном поступают от электронные медицинские карты (EHR). Эффективное проектирование, внедрение и анализ для EHR - важная необходимость в любых CAD-системах.[23]

Из-за большой доступности данных и необходимости их анализа, большое количество данных также является одной из самых больших проблем, с которыми сегодня сталкиваются САПР. Серьезной проблемой является постоянно растущий объем данных о пациентах. Часто данные пациента являются сложными и могут быть частично или частично структурированными. неструктурированные данные. Это требует высокоразвитых подходов для их хранения, извлечения и анализа в разумные сроки.[23]

На этапе предварительной обработки необходимо нормализовать входные данные. Нормализация входных данных включает уменьшение шума и фильтрацию. Обработка может содержать несколько подэтапов в зависимости от приложений. Основными тремя подэтапами медицинской визуализации являются сегментация, извлечение признаков / Выбор и классификация. Эти подэтапы требуют передовых методов анализа входных данных с меньшим временем вычислений. Хотя много усилий было потрачено на создание инновационных методов для этих процедур в системах САПР, до сих пор не существует единственного лучшего алгоритма для каждого шага. Постоянные исследования в области создания инновационных алгоритмов для всех аспектов систем САПР имеют важное значение.[23]

Также отсутствуют стандартизированные меры оценки для CAD-систем.[23] Этот факт может затруднить получение разрешения FDA на коммерческое использование. Более того, хотя многие положительные разработки CAD-систем были доказаны, исследования по проверке их алгоритмов для клинической практики практически не получили подтверждения.[25]

Другие проблемы связаны с проблемой для поставщиков медицинских услуг внедрять новые системы CAD в клиническую практику. Некоторые отрицательные исследования могут препятствовать использованию CAD. Кроме того, недостаток обучения медицинских работников использованию CAD иногда приводит к неправильной интерпретации результатов системы. Более подробно эти проблемы описаны в.[23]

Приложения

Интерфейс Медицинское сито, алгоритм IBM для помощи в принятии клинических решений.

ИБС используется в диагностике рак молочной железы, рак легких, рак толстой кишки, рак простаты, костные метастазы, ишемическая болезнь сердца, врожденный порок сердца, патологическое обнаружение головного мозга, Болезнь Альцгеймера, и диабетическая ретинопатия.

Рак молочной железы

САПР используется при скрининге маммография (Рентгенологическое исследование женской груди). Скрининговая маммография используется для раннего выявления рака груди. CAD-системы часто используются, чтобы классифицировать опухоль как злокачественную или доброкачественную. CAD особенно широко используется в США и Нидерландах и используется в дополнение к оценке на людях, обычно радиолог. Первая система CAD для маммографии была разработана в рамках исследовательского проекта Чикагского университета. Сегодня он коммерчески предлагается iCAD и Голологический.[нужна цитата ] Однако, достигая высокой чувствительности, системы CAD, как правило, имеют очень низкую специфичность, и преимущества использования CAD остаются неопределенными. В систематическом обзоре 2008 г. по компьютерному выявлению при скрининговой маммографии сделан вывод о том, что ИБС не оказывает значительного влияния на частоту выявления рака, но нежелательно увеличивает частоту отзыва (т.е. частота ложных срабатываний). Тем не менее, он отметил значительную неоднородность влияния на частоту воспоминаний в разных исследованиях.[26]

Процедуры оценки маммографии на основе магнитно-резонансная томография тоже существуют.

Рак легких (карцинома бронхов)

При диагностике рака легких компьютерная томография со специальными трехмерными системами САПР, которые считаются соответствующими второстепенными мнениями.[27] При этом готовится и анализируется объемный набор данных, содержащий до 3000 отдельных изображений. Круглые поражения (рак легких, метастазы и доброкачественные изменения) от 1 мм. Сегодня все известные производители медицинских систем предлагают соответствующие решения.

Раннее выявление рака легких очень важно. Однако случайное обнаружение рака легких на ранней стадии (стадия 1) на рентгеновском снимке затруднено. Круглые поражения размером 5–10 мм легко не заметить.[28]Обычное применение CAD Chest Systems может помочь обнаружить небольшие изменения без первоначального подозрения. Ряд исследователей разработали CAD-системы для обнаружения узелков в легких (круглые образования менее 30 мм) при рентгенографии грудной клетки.[29][30][31] и КТ,[32][33] и САПР для диагностики (например, различие между злокачественными и доброкачественными) узелков легких на КТ. Виртуальная двухэнергетическая визуализация[34][35][36][37] улучшена производительность систем CAD при рентгенографии грудной клетки.[38]

Рак толстой кишки

CAD доступен для обнаружения колоректальные полипы в двоеточие в КТ колонографии.[39][40] Полипы - это небольшие разрастания, которые возникают из внутренней оболочки толстой кишки. CAD обнаруживает полипы, определяя их характерную «неровную» форму. Чтобы избежать чрезмерного количества ложных срабатываний, CAD игнорирует нормальную стенку толстой кишки, включая хаустраль складки.

Ишемическая болезнь сердца

CAD доступен для автоматического обнаружения значительных (вызывающих более 50% стеноз ) ишемическая болезнь сердца в исследованиях коронарной КТ-ангиографии (ККТ).[нужна цитата ]

Врожденный порок сердца

Раннее обнаружение патологии может стать разницей между жизнью и смертью. CADe можно сделать с помощью аускультация с цифровым стетоскопом и специализированным программным обеспечением, также известным как Компьютерная аускультация. Шумы, нерегулярные сердечные тоны, вызванные током крови через дефектное сердце, могут быть обнаружены с высокой чувствительностью и специфичностью. Компьютерная аускультация чувствителен к внешнему шуму и звукам тела и требует почти бесшумной среды для точного функционирования.

Патологическое обнаружение головного мозга (PBD)

Chaplot et al. был первым, кто использовал Дискретное вейвлет-преобразование (DWT) коэффициенты для обнаружения патологического мозга.[41] Майтра и Чаттерджи использовали преобразование Slantlet, которое является улучшенной версией DWT. Их вектор признаков каждого изображения создается путем рассмотрения величин выходных данных преобразования Slantlet, соответствующих шести пространственным положениям, выбранным в соответствии с определенной логикой.[42]

В 2010 году Ван и Ву представили метод на основе прямой нейронной сети (FNN), позволяющий классифицировать данное МР-изображение мозга как нормальное или ненормальное. Параметры FNN были оптимизированы с помощью адаптивной оптимизации роя хаотических частиц (ACPSO). Результаты более 160 изображений показали, что точность классификации составила 98,75%.[43]

В 2011 году Ву и Ван предложили использовать DWT для извлечения признаков, PCA для уменьшения признаков и FNN с масштабированной хаотической искусственной пчелиной колонией (SCABC) в качестве классификатора.[44]

В 2013 году Saritha et al. были первыми, кто применил вейвлет-энтропию (WE) для обнаружения патологического мозга. Сарита также предложила использовать сюжеты в паутине.[45] Позже Zhang et al. оказалось, что удаление паутины не повлияло на производительность.[46] Метод поиска по генетическому паттерну был применен для идентификации аномального мозга из нормального контроля. Сообщается, что точность его классификации составляет 95,188%.[47] Das et al. предложили использовать преобразование Ripplet.[48] Zhang et al. предложили использовать оптимизацию роя частиц (PSO).[49] Kalbkhani et al. предложил использовать модель GARCH.[50]

В 2014 году Эль-Дахшан и др. предложили использовать нейронную сеть с импульсной связью.[51]

В 2015 году Чжоу и др. предложил применить наивный байесовский классификатор для выявления патологических состояний мозга.[52]

Болезнь Альцгеймера

CAD-ы можно использовать для выявления субъектов с болезнью Альцгеймера и умеренными когнитивными нарушениями из нормальной контрольной группы пожилых людей.

В 2014 году Падма и другие. использовали комбинированные функции статистической текстуры вейвлетов для сегментации и классификации срезов доброкачественных и злокачественных опухолей AD.[45] Zhang et al. Было обнаружено, что дерево решений векторной машины поддержки ядра имело точность классификации 80% со средним временем вычисления 0,022 с для каждой классификации изображений.[53]

В 2019 году Сигнаевский и другие. впервые сообщили об обученной полностью сверточной сети (FCN) для обнаружения и количественной оценки нейрофибриллярные сплетения (NFT) при болезни Альцгеймера и ряде других таупатий. Обученный FCN достиг высокой точности и отзывчивости наивно цифровое изображение целого слайда (WSI) семантическая сегментация, правильно идентифицирующая объекты NFT с использованием модели SegNet, обученной для 200 эпох. FCN достигла почти практической эффективности со средним временем обработки 45 минут на WSI на Блок графической обработки (GPU), что обеспечивает надежное и воспроизводимое крупномасштабное обнаружение NFT. Измеренная производительность на тестовых данных восьми наивных WSI при различных таупатиях привела к отзывать, точность, и Оценка F1 0,92, 0,72 и 0,81 соответственно.[54]

Собственный мозг - это новая функция мозга, которая может помочь обнаружить AD на основе Анализ главных компонентов[55] или же Независимый анализ компонентов разложение.[56] Было показано, что полиномиальное ядро ​​SVM обеспечивает хорошую точность. Полиномиальный KSVM работает лучше, чем линейный SVM и SVM ядра RBF.[57] Другие подходы с приличными результатами включают использование анализа текстуры,[58] морфологические особенности,[59] или статистические функции высокого порядка[60]

Ядерная медицина

CADx доступен для изображений ядерной медицины. Существуют коммерческие системы CADx для диагностики метастазов в кости при сканировании костей всего тела и болезни коронарной артерии на изображениях перфузии миокарда.[61]

Обладая высокой чувствительностью и приемлемой частотой обнаружения ложных поражений, компьютерная автоматическая система обнаружения поражений продемонстрировала свою полезность и, вероятно, в будущем сможет помочь врачам ядерной медицины выявлять возможные поражения костей.[62]

Диабетическая ретинопатия

Диабетическая ретинопатия - это заболевание сетчатки, которое диагностируется преимущественно с помощью изображений глазного дна. Пациенты с диабетом в промышленно развитых странах обычно проходят регулярный скрининг на наличие этого заболевания. Визуализация используется для распознавания ранних признаков аномальных кровеносных сосудов сетчатки. Ручной анализ этих изображений может занять много времени и быть ненадежным.[63][64] CAD был использован для повышения точности, чувствительности и специфичности автоматического метода обнаружения. Использование некоторых систем САПР для замены людей-грейдеров может быть безопасным и рентабельным.[64]

Предварительная обработка изображений, выделение и классификация элементов - два основных этапа этих алгоритмов САПР.[65]

Методы предварительной обработки

Нормализация изображения сводит к минимуму отклонения по всему изображению. Сообщалось, что вариации интенсивности в областях между периферией и центральной макулярной областью глаза вызывают неточность сегментации сосудов.[66] Согласно обзору 2014 года, этот метод был наиболее часто используемым и появился в 11 из 40 недавно (с 2011 года) опубликованных первичных исследований.[65]

Образец изображения выравнивания гистограммы. Слева: нормальное полутоновое изображение глазного дна. Справа: обработка выравнивания пост-гистограммы.[67]

Выравнивание гистограммы полезно для увеличения контрастности изображения.[68] Этот прием используется для увеличения местный контраст. В конце обработки области, которые были темными на входном изображении, будут осветлены, что значительно повысит контраст между элементами, присутствующими в этой области. С другой стороны, более яркие области входного изображения останутся яркими или будут уменьшены по яркости, чтобы уравняться с другими областями изображения. Помимо сегментации сосудов, с помощью этого метода предварительной обработки можно дополнительно разделить другие признаки, связанные с диабетической ретинопатией. Микроаневризма и кровоизлияния представляют собой красные поражения, а экссудаты - желтые пятна. Увеличение контраста между этими двумя группами позволяет лучше визуализировать поражения на изображениях. Обзор 2014 г. показал, что 10 из 14 недавно (с 2011 г.) опубликовали первичные исследования с использованием этой техники.[65]

Фильтрация зеленого канала это еще один метод, который полезен для дифференциации поражений, а не сосудов. Этот метод важен, поскольку он обеспечивает максимальный контраст между поражениями, связанными с диабетической ретинопатией.[69] Микроаневризмы и кровоизлияния - это красные образования, которые становятся темными после применения фильтрации зеленого канала. Напротив, экссудаты, которые на нормальном изображении выглядят желтыми, после зеленой фильтрации превращаются в ярко-белые пятна. Согласно обзору 2014 года, этот метод используется в основном в 27 из 40 опубликованных статей за последние три года.[65] Кроме того, фильтрация зеленого канала может использоваться для обнаружения центра диска зрительного нерва в сочетании с системой двойного окна.[68]

Коррекция неравномерного освещения представляет собой методику, которая регулирует неравномерное освещение глазного дна. Неравномерное освещение может быть потенциальной ошибкой при автоматическом обнаружении диабетической ретинопатии из-за изменений статистических характеристик изображения.[65] Эти изменения могут повлиять на последующую обработку, такую ​​как извлечение признаков, и не наблюдаются людьми. Коррекция неравномерного освещения (f ') может быть достигнута путем изменения интенсивности пикселей с использованием известной исходной интенсивности пикселей (f) и средней интенсивности локальных (λ) и желаемых пикселей (μ) (см. Формулу ниже).[70] Затем применяется преобразование Вальтера-Клейна для достижения равномерного освещения.[70] Этот метод является наименее используемым методом предварительной обработки в обзоре 2014 года.

Морфологические операции является вторым наименее используемым методом предварительной обработки в обзоре 2014 года.[65] Основная цель этого метода - обеспечить усиление контраста, особенно более темных областей по сравнению с фоном.

Выделение признаков и классификации

После предварительной обработки изображения глазного дна, изображение будет дополнительно проанализировано с использованием различных вычислительных методов. Однако в современной литературе подтверждается, что некоторые методы используются чаще, чем другие, при анализе сегментации сосудов. Эти методы включают SVM, многомасштабный подход, отслеживание судов, подход к выращиванию региона и подходы на основе моделей.

Машина опорных векторов. Опорные векторы (пунктирные линии) созданы для максимального разделения между двумя группами.

Машина опорных векторов на сегодняшний день является наиболее часто используемым классификатором при сегментации сосудов, до 90% случаев.[71] SVM - это модель обучения с учителем, которая относится к более широкой категории методов распознавания образов. Алгоритм работает, создавая наибольший разрыв между отдельными выборками в данных. Цель состоит в том, чтобы создать наибольший разрыв между этими компонентами, чтобы минимизировать потенциальную ошибку при классификации.[72] Чтобы успешно отделить информацию о кровеносных сосудах от остальной части изображения глаза, алгоритм SVM создает опорные векторы, которые отделяют пиксель кровеносного сосуда от остальной части изображения через контролируемую среду. Обнаружение кровеносных сосудов по новым изображениям может быть выполнено аналогичным образом с использованием опорных векторов. Сочетание с другими методами предварительной обработки, такими как фильтрация зеленого канала, значительно повышает точность обнаружения аномалий кровеносных сосудов.[65] Некоторые полезные свойства SVM включают:[72]

  • Гибкость - высокая гибкость с точки зрения функций
  • Простота - просто, особенно с большими наборами данных (для разделения данных необходимы только опорные векторы)

Многоуровневый Подход - это подход с множественным разрешением при сегментации сосудов. При низком разрешении сначала можно извлечь сосуды большого диаметра. При увеличении разрешения можно легко распознать более мелкие ответвления от крупных сосудов. Таким образом, одним из преимуществ использования этого метода является повышенная аналитическая скорость.[63] Кроме того, этот подход можно использовать с 3D-изображениями. Представление поверхности - это поверхность, нормальная к кривизне сосудов, что позволяет обнаруживать аномалии на поверхности сосудов.[68]

Отслеживание судов - это способность алгоритма определять «осевую линию» сосудов. Эти осевые линии являются максимальным пиком кривизны сосуда. Центры судов можно найти с помощью информации о направлении, предоставляемой фильтром Гаусса.[68] Аналогичные подходы, использующие концепцию средней линии, основаны на каркасе и на основе дифференциальной геометрии.[63]

Регион растет подход - это метод обнаружения соседних пикселей со сходством. Для запуска такого метода требуется начальная точка. Для работы этой техники необходимы два элемента: подобие и пространственная близость. Соседний с начальным пикселем пиксель с аналогичной интенсивностью, вероятно, будет того же типа и будет добавлен в область роста. Одним из недостатков этого метода является то, что он требует ручного выбора начальной точки, что вносит систематическую ошибку и непоследовательность в алгоритм.[63] Этот метод также используется для идентификации диска зрительного нерва.[68]

На основе модели подходы используют представление для извлечения сосудов из изображений. Известны три широкие категории моделей на основе: деформируемые, параметрические и сопоставление шаблонов.[63] Деформируемые методы используют объекты, которые будут деформированы, чтобы соответствовать контурам объектов на изображении. Параметрический использует геометрические параметры, такие как трубчатое, цилиндрическое или эллипсоидное представление кровеносных сосудов. Классический контур змеи в сочетании с топологической информацией кровеносных сосудов также может использоваться в качестве модельного подхода.[73] Наконец, сопоставление с шаблоном - это использование шаблона, подогнанного к процессу стохастической деформации с использованием скрытого марковского режима 1.

Влияние на занятость

Автоматизация труда по диагностике (например, количественное определение красных кровяных телец ) имеет исторический прецедент.[74] В глубокое обучение революция 2010-х годов уже произвела ИИ, которые во многих областях визуальной диагностики более точны, чем радиологи и дерматологи, и ожидается, что этот разрыв будет расти. Некоторые эксперты, в том числе многие врачи, игнорируют влияние ИИ на медицинские специальности. Напротив, многие экономисты и эксперты в области искусственного интеллекта считают, что такие области, как радиология, будут серьезно нарушены из-за безработицы или снижения заработной платы радиологов; больницам в целом понадобится меньше рентгенологов, и многим радиологам, которые все еще существуют, потребуется существенная переподготовка. Джеффри Хинтон, «Крестный отец глубокого обучения», утверждает, что (с учетом вероятного прогресса, ожидаемого в ближайшие пять или десять лет) больницы должны немедленно прекратить обучение радиологов, поскольку их трудоемкое и дорогостоящее обучение визуальной диагностике скоро в основном устареет. , что привело к перенасыщению традиционных радиологов.[75][76] Обзор в JAMA утверждает, что патологи и радиологи должны объединиться в одну роль «специалиста по информации», и заявляет, что «Чтобы избежать замены компьютерами, радиологи должны позволить себе вытеснить себя компьютерами». Специалисты по информации будут обучены "байесовской логике, статистике, науке о данных", а также некоторой геномике и биометрии; ручному распознаванию визуальных образов было бы значительно не уделять внимания по сравнению с нынешним обременительным обучением радиологии.[77]

Смотрите также

Рекомендации

  1. ^ «Компьютерная диагностика: переломный момент в цифровой патологии». Ассоциация цифровой патологии. 27 апреля 2017.
  2. ^ Bird, R.E .; Wallace, T. W .; Янкаскас, Б.С. (1992). «Анализ онкологических заболеваний, пропущенных при скрининговой маммографии». Радиология. 184 (3): 613–617. Дои:10.1148 / радиология.184.3.1509041. PMID  1509041.
  3. ^ Baker, J. A .; Rosen, E.L .; Lo, J. Y .; и другие. (2003). «Компьютерное обнаружение (CAD) в скрининговой маммографии: чувствительность коммерческих CAD-систем для обнаружения архитектурных искажений». Американский журнал рентгенологии. 181 (4): 1083–1088. Дои:10.2214 / ajr.181.4.1811083. PMID  14500236.
  4. ^ Jang, H.J .; Ли, К. С .; Kwon, O.J .; и другие. (1996). «Бронхиолоальвеолярная карцинома: очаговая область ослабления матового стекла при КТ тонких срезов как ранний признак». Радиология. 199 (2): 485–488. Дои:10.1148 / радиология.199.2.8668800. PMID  8668800.
  5. ^ Сузуки, К .; Li, F .; Sone, S .; Дои, К. (2005). «Схема компьютерной диагностики для различения доброкачественных и злокачественных узлов при КТ грудной клетки с низкой дозой с использованием массивной обучающей искусственной нейронной сети». IEEE Transactions по медицинской визуализации. 24 (9): 1138–1150. Дои:10.1109 / tmi.2005.852048. PMID  16156352.
  6. ^ Lostumbo, A .; Сузуки, К .; Дахман, А. Х. (2010). «Плоские поражения в КТ-колонографии». Визуализация брюшной полости. 35 (5): 578–583. Дои:10.1007 / s00261-009-9562-3. PMID  19633882.
  7. ^ а б c Янасэ Дж., Триантафиллу Э. (2019). «Систематический обзор компьютерной диагностики в медицине: прошлое и настоящее». Экспертные системы с приложениями. 138: 112821. Дои:10.1016 / j.eswa.2019.112821.
  8. ^ Shortliffe EH и Бьюкенен BG (1975). «Модель неточного мышления в медицине». Математические биологические науки. 23 (3–4): 351–379. Дои:10.1016/0025-5564(75)90047-4.
  9. ^ Миллер Р.А., Попл-младший HE и Майерс Дж.Д. (1982). «Internist-I, консультант по экспериментальной компьютерной диагностике общей внутренней медицины». Медицинский журнал Новой Англии. 307 (8): 468–476. Дои:10.1056 / NEJM198208193070803. PMID  7048091.
  10. ^ Фейгенбаум, Эдвард; МакКордак, Памела (1984). Пятое поколение. Эддисон-Уэсли. С. 1–275. ISBN  978-0451152640.
  11. ^ Ричард М. Карп (1972). «Сводимость среди комбинаторных проблем» (PDF). У Р. Э. Миллера; Дж. У. Тэтчер (ред.). Сложность компьютерных вычислений. Нью-Йорк: Пленум. С. 85–103.
  12. ^ Дои К. (2007). «Компьютерная диагностика в медицинской визуализации: исторический обзор, текущее состояние и будущий потенциал». Компьютеризированная медицинская визуализация и графика. 31 (4): 198–211. Дои:10.1016 / j.compmedimag.2007.02.002. ЧВК  1955762. PMID  17349778.
  13. ^ Эчегарай, Себастьян; Геверт, Оливье; Шах, Раджеш; Камайя, Ая; Луи, Джон; Котари, Нишита; Напель, Сэнди (18 ноября 2015 г.). «Основные образцы для радиомических функций, нечувствительных к сегментации опухоли: метод и пилотное исследование с использованием компьютерных томографов гепатоцеллюлярной карциномы». Журнал медицинской визуализации. 2 (4): 041011. Дои:10.1117 / 1.JMI.2.4.041011. ЧВК  4650964. PMID  26587549.
  14. ^ Мерфи, К .; van Ginneken, B .; Schilham, A.M .; и другие. (2009). «Масштабная оценка автоматического обнаружения легочных узелков в КТ грудной клетки с использованием функций локального изображения и классификации k-ближайших соседей». Анализ медицинских изображений. 13 (5): 757–770. Дои:10.1016 / j.media.2009.07.001. PMID  19646913.
  15. ^ Сузуки, К .; Armato, 3-й, S. G .; Li, F .; Sone, S .; Дои, К. (2003). «Массивная обучающая искусственная нейронная сеть (MTANN) для уменьшения количества ложных срабатываний при компьютерном обнаружении узелков в легких при компьютерной томографии с низкой дозой». Med Phys. 30 (7): 1602–1617. Bibcode:2003МедФ..30.1602С. Дои:10.1118/1.1580485. PMID  12906178.
  16. ^ Chan, H.P .; Lo, S.C .; Sahiner, B .; и другие. (1995). «Автоматизированное обнаружение маммографических микрокальцификаций: распознавание образов с помощью искусственной нейронной сети». Med Phys. 22 (10): 1555–1567. Bibcode:1995МедФ..22.1555С. Дои:10.1118/1.597428. PMID  8551980.
  17. ^ Глетсос, Мильтиадес; Моджакаку, Ставрула; Мацопулос, Джордж; Никита, Константина; Никита, Александра; Келекис, Димитриос (2003). «Система компьютерной диагностики для характеристики очаговых поражений печени КТ: разработка и оптимизация нейросетевого классификатора». IEEE Transactions по информационным технологиям в биомедицине. 7 (3): 153–162. Дои:10.1109 / TITB.2003.813793.
  18. ^ Моджакаку, Ставрула; Големати, Спайретта; Гусиас, Иоаннис; Николаидес, Эндрю; Никита, Константина (2007). «Компьютерная диагностика атеросклероза сонных артерий на основе статистики ультразвуковых изображений, текстуры законов и нейронных сетей». Ультразвук в медицине и биологии. 33 (1): 26–36. Дои:10.1016 / j.ultrasmedbio.2006.07.032.
  19. ^ Стоитсис, Джон; Валаванис, Иоаннис; Моджакаку, Ставрула; Големати, Спайретта; Никита, Александра; Никита, Константина (2006). «Компьютерная диагностика на основе методов обработки медицинских изображений и искусственного интеллекта». Ядерные инструменты и методы в физических исследованиях Секция A: ускорители, спектрометры, детекторы и связанное с ними оборудование. 569 (2): 591–595.
  20. ^ Chen, S .; Сузуки, К .; Мак-Магон, Х. (2011). «Разработка и оценка компьютерной диагностической схемы для обнаружения узелков в легких на рентгенограммах грудной клетки посредством двухэтапного увеличения узелков с классификацией опорных векторов». Med Phys. 38 (4): 1844–1858. Bibcode:2011МедФ..38.1844С. Дои:10.1118/1.3561504. ЧВК  3069992. PMID  21626918.
  21. ^ Papadopoulos, A .; Fotiadis, D. I .; Ликас, А. (2005). «Характеристика кластерных микрокальцификаций в оцифрованных маммограммах с использованием нейронных сетей и опорных векторных машин». Артиф Интелл Мед. 34 (2): 141–150. Дои:10.1016 / j.artmed.2004.10.001. PMID  15894178.
  22. ^ Wollenweber T .; Janke B .; Teichmann A .; Фройнд М. (2007). "Корреляция zwischen histologischem Befund und einem Computer-assistierten Detektionssystem (CAD) für die Mammografie". Гебуртш Фрауэнгейлк. 67 (2): 135–141. Дои:10.1055 / с-2006-955983.
  23. ^ а б c d е ж Янасэ Дж., Триантафиллу Э. (2019). «Семь ключевых вызовов для будущего компьютерной диагностики в медицине». Журнал медицинской информатики. 129: 413–422. Дои:10.1016 / j.ijmedinf.2019.06.017. PMID  31445285.
  24. ^ Wadhwa, R. R .; Park, D. Y .; Натович, М. Р. (2018). «Точность компьютерных диагностических инструментов для выявления сопутствующих генетических нарушений». Американский журнал медицинской генетики, часть A. 176 (12): 2704–2709. Дои:10.1002 / ajmg.a.40651. PMID  30475443.
  25. ^ Bron EE, Smits M, Van Der Flier WM, Vrenken H, Barkhof F, Scheltens P, Papma JM, Steketee RM, Orellana CM, Meijboom R и Pinto M (2015). «Стандартизированная оценка алгоритмов компьютерной диагностики деменции на основе структурной МРТ: проблема CAD Dementia». NeuroImage. 111: 562–579. Дои:10.1016 / j.neuroimage.2015.01.048. ЧВК  4943029. PMID  25652394.
  26. ^ Тейлор П., Поттс Х.В. (2008). «Компьютерные средства и второе чтение человека как вмешательства в скрининговую маммографию: два систематических обзора для сравнения их влияния на выявление рака и частоту отзыва» (PDF). Европейский журнал рака. 44 (6): 798–807. Дои:10.1016 / j.ejca.2008.02.016. PMID  18353630.
  27. ^ Абэ, Ёсиюки; Ханаи, Кузо; Накано, Макико; Окубо, Ясуюки; Хасидзуме, Тошинори; Какизаки, Тору; Накамура, Масато; Ники, Нобору; Эгути, Кендзи (01.01.2005). «Система компьютерной диагностики (CAD) для скрининга рака легких с помощью компьютерной томографии». Противораковые исследования. 25 (1B): 483–488. ISSN  0250-7005. PMID  15816616.
  28. ^ Ву Н, Гамсу Дж., Цум Дж., Хелд Б., Такур Р., Никола Дж. (Март 2006 г.). «Обнаружение небольших легочных узелков с использованием прямой цифровой рентгенографии, архивирования изображений и систем связи». J Thorac Imaging. 21 (1): 27–31. Дои:10.1097 / 01.rti.0000203638.28511.9b. PMID  16538152.
  29. ^ Гигер, Мэриеллен Лиссак; Дои, Кунио; Мак-Магон, Хибер (1988-03-01). «Анализ особенностей изображения и компьютерная диагностика в цифровой рентгенографии. 3. Автоматическое обнаружение узелков в периферических полях легких». Медицинская физика. 15 (2): 158–166. Bibcode:1988МедФ..15..158Г. Дои:10.1118/1.596247. ISSN  2473-4209. PMID  3386584.
  30. ^ Гиннекен, Б. Ван; Ромени, Б. М. Тер Хаар; Виергевер, М. А. (2001-12-01). «Компьютерная диагностика в рентгенографии грудной клетки: обследование». IEEE Transactions по медицинской визуализации. 20 (12): 1228–1241. Дои:10.1109/42.974918. ISSN  0278-0062. PMID  11811823.
  31. ^ Coppini, G .; Diciotti, S .; Falchini, M .; Villari, N .; Валли, Г. (2003-12-01). «Нейронные сети для компьютерной диагностики: обнаружение узелков в легких на рентгенограммах грудной клетки». IEEE Transactions по информационным технологиям в биомедицине. 7 (4): 344–357. Дои:10.1109 / TITB.2003.821313. ISSN  1089-7771. PMID  15000360.
  32. ^ Giger, M. L .; Bae, K. T .; Мак-Магон, Х. (1 апреля 1994 г.). «Компьютерное обнаружение легочных узелков на изображениях компьютерной томографии». Следственная радиология. 29 (4): 459–465. Дои:10.1097/00004424-199404000-00013. ISSN  0020-9996. PMID  8034453.
  33. ^ Kanazawa, K .; Kawata, Y .; Ники, Н .; Satoh, H .; Ohmatsu, H .; Kakinuma, R .; Канеко, М .; Moriyama, N .; Егучи, К. (1998-03-01). «Компьютерная диагностика узелков в легких на основе спиральных компьютерных томографов». Компьютеризированная медицинская визуализация и графика. 22 (2): 157–167. Дои:10.1016 / S0895-6111 (98) 00017-2. ISSN  0895-6111. PMID  9719856.[постоянная мертвая ссылка ]
  34. ^ Чен, Шэн; Чжун, Сикай; Яо, Липин; Шан, Яньфэн; Судзуки, Кендзи (2016). «Улучшение рентгенограмм грудной клетки, полученных в отделении интенсивной терапии, путем подавления костной ткани и последовательной обработки». Физика в медицине и биологии. 61 (6): 2283–2301. Bibcode:2016PMB .... 61.2283C. Дои:10.1088/0031-9155/61/6/2283. PMID  26930386.[постоянная мертвая ссылка ]
  35. ^ Chen, S .; Сузуки, К. (01.02.2014). «Отделение костей от рентгенограмм грудной клетки с помощью анатомически определенных множественных ИНС с массивной тренировкой в ​​сочетании с сглаживанием с минимизацией полной вариации». IEEE Transactions по медицинской визуализации. 33 (2): 246–257. Дои:10.1109 / TMI.2013.2284016. ISSN  0278-0062. PMID  24132005.
  36. ^ Сузуки, К .; Abe, H .; MacMahon, H .; Дои, К. (01.04.2006). «Техника обработки изображений для подавления ребер на рентгенограммах грудной клетки с помощью массивной обучающей искусственной нейронной сети (MTANN)». IEEE Transactions по медицинской визуализации. 25 (4): 406–416. CiteSeerX  10.1.1.589.8748. Дои:10.1109 / TMI.2006.871549. ISSN  0278-0062. PMID  16608057.
  37. ^ LOOG, M; ВАНГИННЕКЕН, Б; SCHILHAM, А (01.12.2006). «Обучение фильтрам: применение для подавления костных структур по рентгенограммам грудной клетки». Анализ медицинских изображений. 10 (6): 826–840. Дои:10.1016 / j.media.2006.06.002. ISSN  1361-8415. PMID  16859953.
  38. ^ Chen, S .; Сузуки, К. (01.02.2013). «Компьютеризированное обнаружение узелков в легких с помощью # x201C; Virtual Dual-Energy # x201D; Радиография». IEEE Transactions по биомедицинской инженерии. 60 (2): 369–378. Дои:10.1109 / TBME.2012.2226583. ISSN  0018-9294. ЧВК  4283823. PMID  23193306.
  39. ^ Bell, L.T.O .; Ганди, С. (2018). «Сравнение программ компьютерной диагностики (CAD) для идентификации колоректальных полипов: анализ производительности и чувствительности, текущие ограничения и практические советы для радиологов». Клиническая радиология. 73 (6): 593.e11–593.e18. Дои:10.1016 / j.crad.2018.02.009. PMID  29602538.
  40. ^ Судзуки, Кенджи; Ёсида, Хироюки; Наппи, Янне; Дахман, Абрахам Х. (01.10.2006). «Искусственная нейронная сеть с массовым обучением (MTANN) для уменьшения количества ложных срабатываний при компьютерном обнаружении полипов: подавление ректальных трубок». Медицинская физика. 33 (10): 3814–3824. Bibcode:2006МедФ..33.3814С. Дои:10.1118/1.2349839. ISSN  2473-4209. PMID  17089846.
  41. ^ Чапло, С., Л.М. Патнаик, Н.Р. Джаганнатан, Классификация магнитно-резонансных изображений мозга с использованием вейвлетов в качестве входных данных для поддержки векторной машины и нейронной сети. Обработка и контроль биомедицинских сигналов, 2006. 1 (1): p. 86-92.
  42. ^ Майтра, М. и А. Чаттерджи, интеллектуальная система, основанная на преобразовании Slantlet, для классификации изображений мозга с помощью магнитного резонанса. Обработка и контроль биомедицинских сигналов, 2006. 1 (4): с. 299-306.
  43. ^ Wang, S .; Ву, В. (2010). «Новый метод классификации изображений мозга с помощью магнитного резонанса на основе адаптивного хаотического PSO». Прогресс в исследованиях в области электромагнетизма. 109: 325–343. Дои:10.2528 / PIER10090105.
  44. ^ Чжан, Юдун; Ву, Л. (2011). «Магнитно-резонансная классификация изображений мозга с помощью усовершенствованного алгоритма искусственных пчелиных колоний». Прогресс в исследованиях в области электромагнетизма. 2011: 65–79. Дои:10.2528 / PIER11031709.
  45. ^ а б Padma, A .; Суканеш Р. (2014). «Сегментация и классификация изображений КТ мозга с использованием комбинированных вейвлет-статистических текстурных характеристик». Арабский научно-технический журнал. 39 (2): 767–776. Дои:10.1007 / s13369-013-0649-3.
  46. ^ Чжан, Юдун; Дун, Чжэнчао; Джи, Генлинь (2015). «Эффект паутины в классификации МРТ изображений мозга». Письма с распознаванием образов. 62: 14–16. Дои:10.1016 / j.patrec.2015.04.016.
  47. ^ Zhang, Y .; Wang, S .; Ji, G .; Донг, З. (2013). "Поиск по генетическим образцам и его применение к классификации изображений мозга". Математические проблемы в инженерии. 2013: 1–8. Дои:10.1155/2013/580876.
  48. ^ Das S .; Chowdhury M .; Кунду М.К. (2013). «Классификация МРТ изображений мозга с использованием многомасштабного геометрического анализа Ripplet». Прогресс в исследованиях электромагнетизма - Пирс. 137: 1–17. Дои:10,2528 / pier13010105.
  49. ^ Zhang, Y .; Ван, С. (2013). «Система классификатора изображений МРТ с помощью оптимизации роя частиц и машины опорных векторов ядра». Научный мировой журнал. 2013: 130134. Дои:10.1155/2013/130134. ЧВК  3791634. PMID  24163610.
  50. ^ Калбхани Х .; Shayesteh M.G .; Зали-Варгахан Б. (2013). «Надежный алгоритм классификации магнитно-резонансных изображений головного мозга (МРТ) на основе ряда дисперсий GARCH». Обработка и контроль биомедицинских сигналов. 8 (6): 909–919. Дои:10.1016 / j.bspc.2013.09.001.
  51. ^ Эль-Дахшан E.S.A .; Mohsen H.M .; Revett K .; и другие. (2014). «Компьютерная диагностика опухоли головного мозга человека с помощью МРТ: исследование и новый алгоритм». Экспертные системы с приложениями. 41 (11): 5526–5545. Дои:10.1016 / j.eswa.2014.01.021.
  52. ^ Чжоу, Син-Син (2015). Обнаружение патологического мозга при сканировании МРТ на основе вейвлет-энтропии и наивного байесовского классификатора. Биоинформатика и биомедицинская инженерия. Конспект лекций по информатике. 9043. С. 201–209. Дои:10.1007/978-3-319-16483-0_20. ISBN  978-3-319-16482-3.
  53. ^ Чжан, Юдун; Ван, Шуйхуа; Донг, Чжэнчао (2014). "Классификация болезни Альцгеймера на основе структурной магнитно-резонансной томографии с помощью дерева решений машины опорных векторов". Прогресс в исследованиях в области электромагнетизма - Пирс. 144: 185–191. Дои:10.2528 / PIER13121310.
  54. ^ Сигнаевский, Максим; Прастава, Марсель; Фаррелл, Курт; Табиш, Набиль; Болдуин, Елена; Хан, Наталья; Иида, Меган; Колл, Джон; Брайс, Клэр; Пурохит, Душянт; Арутюнян, Ваграм; Макки, Энн; Штейн, Тор; Белый-III, Чарльз; Уокер, Джейми; Ричардсон, Тимоти; Хэнсон, Рассел; Кордон-Кардо, Карлос; Донован, Майкл; Зейне, Джек; Фернандес, Херардо; Crary, Джон (2019). "Искусственный интеллект в невропатологии: оценка таупатии на основе глубокого обучения". Лабораторные исследования. 99 (7): 1019–1029. Дои:10.1038 / с41374-019-0202-4. PMID  30770886.
  55. ^ Friston, K .; Poline, JP .; Holmes, C.J .; Frith, C.D .; Фраковяк, Р. (1996). «Многомерный анализ исследований активации ПЭТ». Гм. Brain Mapp. 4 (2): 140–151. Дои:10.1002 / (SICI) 1097-0193 (1996) 4: 2 <140 :: AID-HBM5> 3.0.CO; 2-3. PMID  20408193.
  56. ^ Martínez-Murcia, F.J .; Górriz, J.M .; Рамирес, Дж .; Puntonet, C.G .; Иллан, И.А. (2013). «Карты функциональной активности на основе показателей значимости и независимого компонентного анализа». Компьютерные методы и программы в биомедицине. 111 (1): 255–268. Дои:10.1016 / j.cmpb.2013.03.015. ЧВК  6701938. PMID  23660005.
  57. ^ Донг, З.С. (2015). «Обнаружение субъектов и областей мозга, связанных с болезнью Альцгеймера, с помощью 3D-МРТ на основе собственного мозга и машинного обучения». Границы вычислительной нейробиологии. 66 (9): 66. Дои:10.3389 / fncom.2015.00066. ЧВК  4451357. PMID  26082713.
  58. ^ Zhang, J .; Yu, C .; Jiang, G .; Liu, W .; Тонг, Л. (2012). «Анализ трехмерной текстуры на МРТ-изображениях болезни Альцгеймера». Визуализация мозга и поведение. 6 (1): 61–69. Дои:10.1007 / s11682-011-9142-3. PMID  22101754.
  59. ^ Чупин, Мари; Жерардин, Эмили; Куингне, Реми; Буте, Клэр; Лемье, Луи; Лехериси, Стефан; Бенали, Хабиб; Гарнеро, Линия; Коллио, Оливье (2009). «Полностью автоматическая сегментация и классификация гиппокампа при болезни Альцгеймера и легких когнитивных нарушениях на основе данных ADNI». Гиппокамп. 19 (6): 579–587. Дои:10.1002 / hipo.20626. ЧВК  2837195. PMID  19437497.
  60. ^ Martinez-Murcia, F.J .; Gorriz, J.M .; Рамирес, Дж .; Ортис, А. (2016). «Сферическое картирование МРТ изображений для обнаружения болезни Альцгеймера». Текущее исследование болезни Альцгеймера. 13 (5): 575–588. Дои:10.2174/1567205013666160314145158. HDL:10481/42543. PMID  26971941.
  61. ^ «Диагностика EXINI».
  62. ^ Хуан, Као и Чен (18 июня 2007 г.). «Набор алгоритмов обработки изображений для компьютерной диагностики в изображениях сканирования костей всего тела в ядерной медицине». IEEE Transactions по ядерной науке. 54 (3): 514–522. Bibcode:2007ITNS ... 54..514H. Дои:10.1109 / TNS.2007.897830.
  63. ^ а б c d е Каур, М; Талвар, Р. (2014). «Обзор по теме: извлечение кровеносных сосудов и обнаружение ретинопатии глаза». Международный журнал компьютерных наук и информационных технологий. 5 (6): 7513–7516. S2CID  17460643.
  64. ^ а б Туфаил, А; Рудисилл, К; Иган, С; Капетанакис, В.В.; Салас-Вега, С; Оуэн, CG; Ли, А; Louw, V; Андерсон, Дж; Liew, G; Болтер, L; Шринивас, S; Ниттала, М; Садда, S; Тейлор, П; Рудницкая, А.Р. (без даты). «Программное обеспечение для автоматизированной оценки изображений диабетической ретинопатии: диагностическая точность и экономическая эффективность по сравнению с оценками людей». Офтальмология. 124 (3): 343–351. Дои:10.1016 / j.ophtha.2016.11.014. PMID  28024825.
  65. ^ а б c d е ж грамм Ахмад, А .; Mansoor, A.B .; Mumtaz, R .; Хан, М .; Мирза, С. Х. (01.12.2014). Обработка изображений и классификация при диабетической ретинопатии: обзор. 2014 5-й Европейский семинар по обработке визуальной информации (EUVIP). С. 1–6. Дои:10.1109 / EUVIP.2014.7018362. ISBN  978-1-4799-4572-6.
  66. ^ Fraz, M. M .; Barman, S.A .; Реманьино, П .; Hoppe, A .; Басит, А .; Uyyanonvara, B .; Rudnicka, A.R .; Оуэн, К. Г. (2012-11-01). «Подход к локализации кровеносных сосудов сетчатки с использованием плоскостей бит и определения центральной линии». Comput. Методы Прог. Биомед. 108 (2): 600–616. Дои:10.1016 / j.cmpb.2011.08.009. ISSN  0169-2607. PMID  21963241.
  67. ^ Прия, Р; Аруна, П. (2011). «Обзор автоматизированной диагностики диабетической ретинопатии с использованием машины опорных векторов». Международный журнал прикладных инженерных исследований, Диндигул. 1 (4): 844–862.
  68. ^ а б c d е Бирадар, S; Джадхав, А.С. (2015). «Исследование сегментации кровеносных сосудов и сегментации диска зрительного нерва на изображениях сетчатки» (PDF). Международный журнал перспективных исследований в области компьютерной и коммуникационной техники. 4 (5): 21–26.
  69. ^ Салех, Марван Д .; Эсваран, К. (01.10.2012). «Автоматизированная система поддержки принятия решений при нераспространении диабетической ретинопатии на основе обнаружения МА и ГК». Comput. Методы Прог. Биомед. 108 (1): 186–196. Дои:10.1016 / j.cmpb.2012.03.004. ISSN  0169-2607. PMID  22551841.
  70. ^ а б Antal, B .; Хайду, А. (2012-06-01). «Система на основе ансамбля для обнаружения микроаневризмы и классификации диабетической ретинопатии». IEEE Transactions по биомедицинской инженерии. 59 (6): 1720–1726. arXiv:1410.8577. Дои:10.1109 / TBME.2012.2193126. ISSN  0018-9294. PMID  22481810.
  71. ^ Патвари, Манджири; Манза, Рамеш; Раджпут, Йогеш; Сасваде, Манодж; Дешпанде, Неха (01.10.2013). «Обзор обнаружения и классификации поражений диабетической ретинопатии с использованием методов обработки изображений». ResearchGate. 2 (10).
  72. ^ а б Администратор (20.05.2015). «Обзор: Выявление диабетической ретинопатии с помощью SVM и MDA». Международный журнал компьютерных приложений. 117 (20): 1–3. Bibcode:2015IJCA..117т ... 1С. Дои:10.5120/20667-2485.
  73. ^ Espona, L .; Carreira, M. J .; Ортега, М .; Пенедо, М. Г. (06.06.2007). Марти, Жанна; Бенеди, Хосе Мигель; Мендонса, Ана Мария; Серрат, Жанна (ред.). Распознавание образов и анализ изображений. Конспект лекций по информатике. Springer Berlin Heidelberg. С. 178–185. Дои:10.1007/978-3-540-72849-8_23. ISBN  9783540728481.
  74. ^ Пайва, Омир Антунес; Преведелло, Лучано М. (октябрь 2017 г.). «Потенциальное влияние искусственного интеллекта в радиологии». Radiologia Brasileira. 50 (5): V – VI. Дои:10.1590 / 0100-3984.2017.50.5e1. ЧВК  5656066. PMID  29085178.
  75. ^ Мукерджи, Сиддхартха (27 марта 2017 г.). "А.И. против М.Д." Житель Нью-Йорка. Получено 3 февраля 2018.
  76. ^ «Почему сканирующий искусственный интеллект - плохая новость для радиологов». Экономист. 29 ноября 2017 г.. Получено 3 февраля 2018.
  77. ^ Джха, Саураб; Эрик Дж. Тополь (13 декабря 2016 г.). «Адаптация к искусственному интеллекту». JAMA. 316 (22): 2353–2354. Дои:10.1001 / jama.2016.17438. PMID  27898975.

внешняя ссылка