MODERN APPROACHES TO THE CLASSIFICATION OF OBJECTS IN MEDICAL COMPUTER IMAGES
Abstract
Introduction. Solving the problems of classifying objects in medical images is associated with a large number of measured parameters and the lack of a theoretically sound concept for their selection, which creates difficulties in their selection, which leads to the need to search for criteria for the quality of classification. The purpose of the study is to display the main trends and modern approaches to classifying objects in medical images according to scientific literature. Materials and methods. Research and analysis of scientific publications in the electronic libraries PubMed and eLIBRARY, devoted to the classification of objects in medical images, over the past 20 years. Conclusions. One of the most relevant and modern methods of classifying objects in medical images are artificial neural networks, which is confirmed by a significant increase in the number of publications on this topic over the past 10 years.
References
Гусев А.В., Зарубина Т.В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации. Врач и информационные технологии. 2017;2:60–72.
Кораблев Д.С., Никитаев В.Г., Проничев А.Н. Система по автоматическому распознаванию и классификации лейкоцитов по изображению. Научная сессия НИЯУ МИФИ — 2013: аннотации докладов. М.: Национальный исследовательский ядерный университет «МИФИ»; 2013.
Андронова Н.Е., Гребенюк П.Е., Чмутин А.М. Алгоритм и программная реализация управления оттеночным контрастом цифровых изображений. Инженерный вестник Дона. 2016; 4. Доступен по: ivdon.ru/ru/magazine/archive/n4y2016/3783 (дата обращения: 02.08.2024).
Стернин В.Е., Дементьев Н.А. Проблемы, возникающие при классификации объектов на медицинских компьютерных изображениях. В кн.: актуальные проблемы биомедицины — 2024. Материалы XXX Всероссийской конференции молодых ученых с международным участием. Санкт-Петербург; 2024: 168–169.
Батищев Д.С. Метрики качества медицинских изображений. Научный результат. Информационные технологии. 2019;4(3):25–30.
Николенко С.И., Кадурин А.А., Архангельская Е.О. Глубокое обучение. СПб.: Питер; 2018.
Уланов Е.А., Никитин О.Р., Архипов Е.А. Оценка качества медицинского изображения на основе результатов экспертного опроса. Фундаментальные исследования. 2017;4(Ч. 1):83–87.
Гультяева Т.А., Попов А.А., Саутин А.С. Методы статистического обучения в задачах регрессии и классификации. Новосибирск: Новосибирский государственный технический университет; 2016.
Xing F., Xie Y., Su H. Deep learning in microscopy image analysis: a survey. IEEE Trans Neural Netw Learn. Syst. 2017:PP(99):1–18.
Rodehorst V., Koschan A. Comparison and evaluation of feature point detectors. 5th International Symposium Turkish-German Joint Geodetic Days. 2006. Доступен по: pdfs.semanticscholar.org/1d8a/4cff206e229f480b8c92fc04f67f231cc788.pdf (дата обращения: 01.06.2024).
Сойникова Е.С., Батищев Д.С., Михелев В.М. О распознавании форменных объектов крови на основе медицинских изображений. Научный результат. Информационные технологии. 2018;3(3):54–64.
Самородов А.В. Автоматизированный морфологический анализ цитологических препаратов. Биомедицинская радиоэлектроника. 2009;10:35–40.
Методы распознавания медицинских изображений для задач компьютерной автоматизированной диагностики. Доступен по: https://www.science-education.ru/ ru/article/view?id=14414 (дата обращения: 19.05.2024).
Сойникова Е.С., Рябов М.С., Батищев Д.С., Синюк В.Г., Михелев В.М. Высокопроизводительный метод обнаружения границ на медицинских изображениях. Научный результат. Информационные технологии. 2016;1(3):4–9.
Андросова Л.Д., Конторщикова К.Н., Шахова К.А. Многофакторный регрессионный анализ в прогнозе развития цервикальных поражений инфекционного генеза. Медицинский альманах. 2017;2:111–113.
Гарганеева Н.П., Леонов В.П. Логистическая регрессия в анализе связи артериальной гипертонии и психических расстройств. Сибирский медицинский журнал. 2001;3-4:42–48.
Микшина В.С., Павлов С.И. Использование логистической регрессии при выборе способа кардиоплегии. Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2017;39:49–56.
Стрижов В.В., Мотренко А.П. Многоклассовая логистическая регрессия для прогноза вероятности наступления инфаркта. Известия Тульского государственного университета. Естественные науки. 2012;1:153–162.
Быстрицкая Т.С., Штель Н.Н., Лысяк Д.С. Прогнозирование плацентарной недостаточности у беременных с нарушением становления менструальной функции в пубертатном периоде. Бюллетень физиологии и патологии дыхания. 2011;42:55–59.
Богомолов С.Н., Солнцев В.Н., Куликов А.Н. и др. Возможности электрокардиографии в диагностике гипертрофии миокарда левого желудочка. Вестник Российской военно-медицинской академии. 2016;3:51–56.
Прозорова А.В., Приходько А.Г. Построение прогнозной модели прогрессирующего течения хронической обструктивной болезни легких. Информатика и системы управления. 2008;2:168–169.
Безруков Н.С., Еремин Е.Л., Колосов В.П. и др. Системы оценки контролируемости бронхиальной астмы. Информатика и системы управления. 2009;4:159–163.
Watanabe K., Kobayashi T., Wada Semi-Supervised T. Feature transformation for tissue image classification. PLoS One. 2016;11(12):e0166413.
Choi J., Song E., Lee S. L-tree: a local-area-learning-based tree induction algorithm for image classification. Sensors (Basel). 2018;18(1):306.
Roychowdhury S. Classification of large-scale fundus image data sets: a cloud-computing framework. Conf Proc IEEE Eng Med Biol Soc. 2016:3256–3259.
Wu K., Wang Y., Pan Y. et al. Classifying uterine myoma and adenomyosis based on ultrasound image fractal and texture features. Conf Proc IEEE Eng Med Biol Soc. 2005;2:1790–1793.
Хомидов М.Э., Гоипов Э.А. Методы обработки биомедицинских сигналов и изображений. Universum: технические науки: электрон. научн. журн. 2020;8(77). Доступен по: https://7universum. com/ru/tech/archive/item/10636 (дата обращения: 15.08.2024).
Ахмед Х.Ю. Разработка и исследование алгоритмов сегментации и распознавания объектов на медицинских изображениях на основе шиарлет-преобразования и нейронных сетей. Автореф. дисс. ... канд. техн. наук. Красноярск: СФУ; 2020.
Фэн Я., Лайтер Д., Чжан Л., Ван Я., Дехани Х. Применение глубоких нейронных сетей для повышения точности диагностики ревматоидного артрита с использованием диффузионной оптической томографии. Квантовая электроника. 2020;50(1):21–32.
Khan I.Y., Zope P.H., Suralkar S.R. Importance of artificial neural network in medical diagnosis disease like acute nephritis disease and heart disease. International journal of engineering science and innovative technology. 2013;2(2):210–217.
Соколинский Б.З., Демьянов В.Л., Медный В.С., Парпара А.А., Пятницкий А.М. Автоматическая сортировка лейкоцитов мазка крови с использованием методов обучаемых нейронных сетей и watershed. В сб.: Методы микроскопического анализа. М.: Медицинские компьютерные системы; 2009.
Зеленина Л.И., Хаймина Л.Э., Деменкова Е.А., Деменков М.Е., Хаймин Е.С., Хрипунов Д.Д. Сверточные нейронные сети в задаче классификации медицинских изображений. Современные наукоемкие технологии. 2021;9:68–73.
Эстева А., Купрель Б., Новоа Р.А. и др. Классификация рака кожи на уровне дерматолога с использованием глубоких нейронных сетей. Nature. 2017;542(7639):115–118. DOI: 10.1038/nature21056.
Козарь Р.В., Навроцкий А.А., Гуринович А.Б. Методы распознавания медицинских изображений в задачах компьютерной диагностики. Известия Гомельского государственного университета имени Ф. Скорины. 2020;3(120):116–121. EDN: HJRPNR.
Лабинский А.Ю. Многомерная классификация с использованием нечеткой логики. Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. 2018;2. Доступен по: https://cyberleninka.ru/article/n/mnogomernaya-klassifikatsiya-s-ispolzovaniem-nechetkoy-logiki/viewer (дата обращения: 15.08.2024).
Наркевич А.Н., Плотников Д.В., Виноградов К.А., Катаева А.В. Сравнение методов отбора признаков для идентификации объектов на цифровых изображениях микроскопических препаратов. Инженерный вестник Дона. 2018;2. Доступен по: http://www.ivdon.ru/ru/magazine/archive/N2y2018/4860 (дата обращения: 15.08.2024).
Hao R., Namdar K., Liu L., Khalvati F. A transfer learning based active learning framework for brain tumor classification. arXiv preprint arXiv:2011.09265. 2020. Доступен по: https://arxiv.org/abs/2011.09265 (дата обращения: 15.06.2024).
