Г.С. Байдин –  преподаватель, факультет «Информатика и системы управления», Московский государственный технический университет им. Н. Э. Баумана (Национальный исследовательский университет)

E-mail: baydin1015@gmail.com

Д.Д. Букреев–  студент, факультет «Информатика и системы управления», Московский государственный технический университет им. Н. Э. Баумана (Национальный исследовательский университет)

E-mail: bukreevdanil09@gmail.com

Постановка проблемы. С ростом сложности диагностики злокачественных новообразований в желудке человека, хранения результатов исследований в цифровом формате и увеличения их объема возникает необходимость в автоматизации клинической диагностики данного заболевания, что может улучшить точность и достоверность ее результатов.

Цель – разработка методики для автоматизированного распознавания злокачественных новообразований в желудке человека на снимках компьютерной томографии.

Результаты. Разработана методика автоматизированного распознавания злокачественных новообразований в желудке человека на снимках компьютерной томографии. По результатам проведения исследований получена оптимальная последовательность применения различных алгоритмов обработки снимков компьютерной томографии для решения поставленной задачи. Предложенная методика предназначена для решения узкоспециализированных задач по выявлению злокачественных образований в желудке человека на снимках компьютерной томографии.

Практическая значимость. Предложенная методика может быть использована на различных этапах диагностики злокачественных новообразований в желудке человека на снимках компьютерной томографии.

1. Hatakeyama M., Higashi H. Helicobacter pylori CagA: a new paradigm for bacterial carcinogenesis // Cancer Science. 2005.  V. 96 (12). P. 835–843. doi: 10.1111/j.1349-7006.2005.00130.x.
2. Parkin D.M., Bray F., Ferlay J., Pisani P. Global cancer statistics, 2002 // CA Cancer J. Clin. 2005. P. 74–108.
3. Бердичевский Е.Г. Применение теории распознавания образов к компьютерной реконструкции фресок // Физикоматематические науки и информационные технологии: проблемы и тенденции развития: Сб. ст. по матер. I Междунар. науч.-практ. конф. Новосибирск: СибАК. 2011. 565 с.
4. Золотых Н.Ю., Козинов Е.А., Кустикова В.Д., Мееров И.Б., Половинкин А.Н. Об одном методе повышения скорости поиска объектов методом скрытых опорных векторов за счет применения каскадных схем // 11-я Всерос. конф. Высокопроизводительные параллельные вычисления на кластерных системах (HPC–2011): Труды конференции. Н. Новгород: Изд. ННГУ. 2011. C. 134–139.
5. Blum M., Springenberg J.T., Wlfing J., Riedmiller M. A Learned Feature Descriptor for Object Recognition in RGB-D Data // In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA). St. Paul, Minnesota. USA. 2012.  P. 1–13.
6. Taleb A.A., Doubois P., Duquenoy E. Analysis Methods of CT-scan Images for the Characterization of the Bone Texture. Pattern Recognition 24. 2003. P. 35–48.
7. Pillow (PIL Fork) 3.1.2. documentation [Электронный ресурс]. Режим доступа: https://pillow.readthedocs.io/en/3.1.x/reference /Image.html (Дата обращения: 13.06.2019).
8. Вэн Райзина Дж. Классификация и кластер. М.: Мир. 1980. 390 с.
9. Rother С., Kolmogorov V., Blake A. Grabcut – interactive foreground extraction using iterated graph cuts. 2004. P. 18–19.
10. Comaniciu D., Ramesh V., Meer P. Real-Time Tracking of Non-Rigid Objects Using Mean Shift, Conference on CVPR. 2000. V. 2. P. 1–8.
11. Najman L., Schmitt M. Watershed of a continuous function // In Signal Processing (Special issue on Mathematical Morphology.). V. 38. 1994. P. 99–112.
12. Кошунин В., Вежневец В. Методы сегментации изображений: интерактивная сегментация // Компьютерная графика и мультимедиа. 2007. № 5. C. 13–18.
13. Kim E., Wang W., Li H., Huang X. A parallel annealing methods for automatic color cervigram image segmentation. Medical Image Computing and Computer Assisted Intervention. MICCAI-GRID. 2009. P. 88–91.
14. Национальная библиотека им. Н.Э. Баумана [Электронный ресурс]. Чичварин Н.В. Метод водоразделов (сегментация). Режим доступа: https://ru.bmstu.wiki/Метод_водоразделов_(Сегментация) (Дата обращения: 13.06.2019).
15. Roerdink Jos B.T.M., Meijster A. The Watershed Transform: Definitions, Algorithms and Parallelization Strategies // Fundamenta Informaticae. 2000. № 41. P. 187–228.
16. Szekely G.J., Rizzo M.L., Bakirov N.K. Measuring and testing independence by correlation of distances. Annals of Statistics. 2007. V. 35(6). P. 2769–2794. doi: 10.1214/009053607000000505.
17. Yang W., Xu L., Chen X., Zheng F., Liu Y. Chi-Squared Distance Metric Learning for Histogram Data. Mathematical Problems in Engineering. 2015. Article ID 352849, 2015. P. 18–22.
18. OpenCV Open Source Computer Vision [Электронный ресурс]. Режим доступа: https://docs.opencv.org/3.4/d8/dc8/tutorial_histogram_ comparison.html (Дата обращения: 12.06.2019).
19. Титов И.О., Емельянов Г.М. Выделение контуров движущегося объекта // Вестник Новгородского государственного университета. 2010. № 55. С. 27–31.
20. Ramadevi Y., Sridevi T., Poornima B., Kalyani B. Image segmentation and object recognition based on edge detection technologies // International Journal of Computer Science and Information Technology (IJCSIT). 2010. V. 2. № 6. P. 35–42.
21. Nicolescu Cr., Alberts B., Jonker P. Parallel watershed algorithm on 2d images from cranial CT-scans using PVM and MPI on a distributed machine // Delf. University of Technology Faculty of Applied Physics, Pattern Recognition Group. Netherlands. 2015. V. 1. P. 34–38.
22. Chan T., Vese L. Active contours without edges // IEEE Transactions on Image Processing. 2001. V. 10. P. 266–277.
23. OpenCV Open Source Computer Vision [Электронный ресурс]. Режим доступа: https://docs.opencv.org/3.4/da/d5c/tutorial_canny_  detector.html (Дата обращения: 12.06.2019).