Метод декомпозиции биологических объектов на МРТ изображениях при схожем фоне

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Представлены результаты разработки метода для распознавания и измерения объектов на МРТ изображениях головного мозга, основанного на введении математического описания области перехода между биологическими объектами и последующей декомпозиции общего изображения головного мозга на отдельные биологические объекты. Отличием разработанного подхода является применение нейронных сетей лишь для упрощения поиска ключевых особенностей заданного биологического объекта, тогда как основная часть метода реализована в виде процедур вычисления признаков переходов между биологическими структурами посредством введения математической функции и последующей фильтрации обнаруженных ложных переходов.

Об авторах

Владимир Николаевич Гридин

Центр информационных технологий в проектировании РАН

Автор, ответственный за переписку.
Email: info@ditc.ras.ru

Научный руководитель, Доктор технических наук, профессор

Россия, Одинцово

Максим Игоревич Труфанов

Центр информационных технологий в проектировании РАН

Email: info@ditc.ras.ru

Старший научный сотрудник, кандидат технических наук, доцент

Россия, Одинцово

Николай Николаевич Яхно

Центр информационных технологий в проектировании РАН

Email: info@ditc.ras.ru

Главный научный сотрудник, доктор математических наук, академик

Россия, Одинцово

Валентин Е. Синицын

Центр информационных технологий в проектировании РАН

Email: info@ditc.ras.ru

Главный научный сотрудник, доктор математических наук, профессор

Россия, Одинцово

Список литературы

  1. Гридин В.Н., Перепелов В.А., Панищев В.С., Труфанов М.И., Яхно Н.Н. Алгоритм вычисления параметров гиппокампа при диагностике болезни альцгеймера /Биомедицинская радиоэлектроника. 2019. Т. 22. № 7.С. 5-15.
  2. Гридин В.Н., Труфанов М.И., Солодовников В.И., Панищев В.С., Синицын В.Е., Яхно Н.Н. Автоматический анализ количественных характеристик гиппокампа при магнитно-резонансной томографии головного мозга для диагностики возможной болезни альцгеймера (обзор литературы и результаты собственных исследований) / Радиология - практика. 2017. № 6 (66). С. 41-59.
  3. Fawzi A, Achuthan A, Belaton B. Brain Image Segmentation in Recent Years: A Narrative Review. Brain Sciences.2021;11(8):1055.https://doi.org/10.3390/brainsci11081055.
  4. Soltaninejad M, Yang G, Lambrou T, Allinson N, Jones TL, Barrick TR, Howe FA, Ye X. Supervised learning based multimodal MRI brain tumour segmentation using texture features from supervoxels. Comput Methods Programs Biomed. 2018 Apr; 157:69-84. doi: 10.1016/j.cmpb.2018.01.003.
  5. Fedde van der Lijn a b, Tom den Heijer c d, Monique M.B. Breteler c, Wiro J. Niessen. Hippocampus segmentation in MR images using atlas registration, voxel classification, and graph cuts/ NeuroImage Volume 43, Issue 4, December 2008, Pages 708-720.
  6. Benjamin Thyreau, Kazunori Sato, Hiroshi Fukuda, Ya- suyuki Taki / Segmentation of the hippocampus by transferring algorithmic knowledge for large cohort processing // Medical Image Analysis,Volume 43,2018,Pages 214-228.
  7. Lin, D., Rajinikanth, V., Lin, H. (2021). Hybrid Image Pro- cessing-Based Examination of 2D Brain MRI Slices to Detect Brain Tumor/Stroke Section: A Study. In: Priya, E., Raj- inikanth, V. Signal and Image Processing Techniques for the Development of Intelligent Healthcare Systems. Springer, Singapore. https://doi.org/10.1007/978-981-15-6141-2_2.
  8. Hasnain Ali Shah, Faisal Saeed, Sangseok Yun, Jun-Hyun Park, Anand Paul, Jae-Mo Kang, "A Robust Approach for Brain Tumor Detection in Magnetic Resonance Images Us- ing Finetuned EfficientNet", IEEE Access, vol.10, pp.65426-65438, 2022.
  9. K. Tartarotti Nepomuceno Duarte, M. Andrade Nascimento Moura, P. Sergio Martins and M. A. Garcia de Carvalho, "Brain Extraction in Multiple T1-weighted Magnetic Resonance Imaging slices using Digital Image Processing tech- niques," in IEEE Latin America Transactions, vol. 20, no. 5,pp. 831-838, May 2022, doi: 10.1109/TLA.2022.9693568.
  10. Automated Classification of Alzheimer's Disease Based on MRI Image Processing using Convolutional Neural Net- work (CNN) with AlexNet Architecture, Y N Fu'adah, I Wijayanto, N K C Pratiwi, F F Taliningsih, S Rizal and M A Pramudito. Journal of Physics: Conference Se- ries, Volume 1844, 2020 2nd International Conference on Science & Technology (2020 2nd ICoST) 28 November 2020, Yogyakarta, Indonesia.
  11. Yi, P., Jin, L., Xu, T., Wei, L. and Rui, G. (2021), Hippo- campal Segmentation in Brain MRI Images Using Machine Learning Methods: A Survey. Chinese J. Electron., 30: 793-814.
  12. MRI image synthesis with dual discriminator adversarial learning and difficulty-aware attention mechanism for hip- pocampal subfields segmentation. Baoqiang Ma, Yan Zhao, Yujing Yang et al / Computerized Medical Imaging and Graphics, Volume 86, December 2020, 101800.
  13. Zhenxi Zhang, Jie Li, Chunna Tian, Zhusi Zhong, Zhicheng Jiao, Xinbo Gao / Quality-driven deep active learning method for 3D brain MRI segmentation // Neurocomputing, Volume 446, 2021, Pages 106-117.
  14. Гридин В.Н., Газов А.И., Новиков И.А., Солодовников В.И., Труфанов М.И. / Немасштабируемые функции в качестве моделей границы биологического объекта // Системы высокой доступности. 2021. Т. 17. № 4. С. 66-75.
  15. 5. Dash, S., & Jena, U. Multi-resolution Laws’ Masks based texture classification. Journal of Applied Research and
  16. Technology, 2019, 15(6). https://doi.org/10.1016/j.jart.2017.07.005 Bochkovskiy, A., Wang, C.-Y., & Mark Liao, H.-Y. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv. https://arxiv.org/pdf/2004.10934.pdf
  17. V.N. Gridin, M.I. Trufanov, V.I. Solodovnikov, V.S. Panishchev, V.E. Sinitsyn, N.N. Yakhno. Automatic analy- sis of the quantitative characteristics of the hippocampus in magnetic resonance imaging of the brain for the diagnosis of possible Alzheimer's disease (literature review and results of our own research) / Radiology - practice. No. 6 2017.S. 41-59.
  18. Chuan Luo, Wei Yang, Panling Huang, Jun Zhou. Over- view of Image Matching Based on ORB Algorithm. IOP Conf. Series: Journal of Physics: Conf. Series 1237 (2019),doi: 10.1088/1742-6596/1237/3/032020.
  19. Surface reconstruction from a sparse point cloud by enforcing visibility consistency and topology constraints Computer Vision and Image Understanding Volume 175, October 2018, Pages 52-71https://doi.org/10.1016/j.cviu.2018.09.007.
  20. Detail Preserved Surface Reconstruction from Point Cloud Yang Zhou, Shuhan Shen and Zhanyi Hu Sensors 2019, 19,1278; doi: 10.3390/s19061278.
  21. Яхно Н.Н., Гридин В.Н., Перепелов В.А., Синицын В.Е., Коберская Н.Н., Смирнов Д.С., Солодовников В.И., Труфанов М.И. / Объемные характеристики гиппокампов по данным мрволюметрии у пациентов с болезнью альцгеймера // Российский электронный журнал лучевой диагностики. 2020. Т. 10. № 1. С. 50-58.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».