В.Н. Гридин – 

д.т.н., профессор, науч. руководитель, Центр информационных технологий 

в проектировании РАН (г. Одинцово, Моск. обл.)

E-mail: info@ditc.ras.ru 

Е.С. Cирота – 

д.м.н., вед. науч. сотрудник, Центр информационных технологий в проектировании РАН  (г. Одинцово, Моск. обл.); Первый Московский государственный медицинский университет 

им. И.М. Сеченова Минздрава России (Сеченовский Университет) 

E-mail: info@ditc.ras.ru

М.И. Труфанов – 

к.т.н., доцент, зав. лабораторией, Центр информационных технологий 

в проектировании РАН (г. Одинцово, Моск. обл.)

E-mail: info@ditc.ras.ru

В.С. Панищев – 

к.т.н., ст. науч. сотрудник, Центр информационных технологий 

в проектировании РАН (г. Одинцово, Моск. обл.) E-mail: info@ditc.ras.ru 

Постановка проблемы. Оценка количественных характеристик распространения контрастного вещества при различных фазах исследования в органах и системах брюшной полости является важной задачей в области обработки данных мультиспиральной компьютерной томографии. Для решения задачи определения области распространения контрастного вещества применяют ручное измерение области контрастного вещества в объеме органов и тканей для различных фаз, что требует необходимости наличия определенного опыта у врача и снижает эффективность его практического применения, и может вносить потенциальные ошибки.

Цель – разработка алгоритмического обеспечения для автоматизации определения области распространения контрастного вещества.

Результаты. Предложен алгоритм обработки изображений для оценки степени распространения контрастного вещества при исследовании органов брюшной полости, включающий нормализацию изображений и снижение уровня шумов посредством применения фильтра Гаусса, расчет характеристик изображения, сегментацию изображений, оценку позиции контрастного вещества с учетом их распространения в почке в различные фазы исследования.

Практическая значимость. Полученные результаты позволяют осуществлять автоматический анализ последовательной томографических изображений в целях формирования численной оценки степени распространения контрастного вещества при исследовании почек и других органов, а также систем брюшной полости.

1. Гридин В.Н. Сирота Е.С., Труфанов М.И. Разработка метода визуализации внутренних органов для задач уронефрологии // Новые информационные технологии в автоматизированных системах. 2018. № 21. С. 24–26.
2. Аляев Ю.Г., Сирота Е.С., Безруков Е.А., Али С.Х. 3D-технологии в планировании и навигации лапароскопических операций пациентов с конкрементами почек и мочеточника // Урология. 2019. № 4. С. 9–15.
3. Stalling D.; Westerhoff M. Hege H.-C. C.D. Amira: A Highly Interactive System for Visual Data Analysis / Hansen and C.R. Johnson (Ed.) // The Visualization Handbook. 2005. P. 749–767. doi:10.1016/B978-012387582-2/50040-X
4. Yip S.S.F. Parmar C., Blezek D., Estepar R.S.J., Pieper S., Kim J. et al. Application of the 3D slicer chest imaging platform segmentation algorithm for large lung nodule delineation. 2017. PLoS ONE 12(6): e0178944. https://doi.org/10.1371/ 
5. Yousaf  T., Dervenoulas  G., Politis  M. Advances in MRI Methodology // International Review of Neurobiology. 2018. V.141. P. 31–76.
6. Гонсалес Р., Вудс Р.  Цифровая обработка изображений. М.: Техносфера. 2005. 1073 с.
7. Фурман Я.А. Введение в контурный анализ и его приложения к обработке сигналов и изображений. М.: Физматлит. 2002. 592 с.