Интеллектуальный способ диагностики и обнаружения новообразований в легких

Изобретение относится к медицине, а именно к диагностике рака легких. Способ содержит обработку изображений легких пациента, полученных методом компьютерной томографии, в результате которой в графическом изображении маскируют воксели со значениями плотности по шкале Хаунсфилда, не соответствующими значениям плотности тканям легких; последующую сегментацию вокселей, расположенных на поверхности «кандидатов» новообразований; построение множества хорд, образованных комбинациями пар точек, находящихся в выделенных вокселях на поверхности «кандидатов» новообразований; построение гистограммы распределения длин хорд с приведением к максимальной длине хорды, построенной в границах каждого «кандидата» новообразования; формирование вектора признаков, включающего данные построенной гистограммы распределения длин хорд, среднее значение плотности по шкале Хаунсфилда каждого «кандидата» новообразования, общее количество вокселей в каждом «кандидате» новообразования. После этого по сформированному вектору признаков осуществляют классификацию каждого «кандидата» новообразования как истинного злокачественного новообразования с помощью алгоритма машинного обучения, реализующего функции классификатора. Изобретение обеспечивает снижение количества обнаруженных ложноположительных новообразований в легких. 1 з.п. ф-лы, 5 ил.

 

Изобретение относится к области искусственного интеллекта в медицине и предназначено для интеллектуальной диагностики рака легких. Широкое распространение курения в начале ХХ века привело к тому, что рак легких быстро занял позицию самого частого онкологического заболевания. В XXI веке ежегодно в мире рак легких регистрируется примерно у 1,3 млн. человек, более 1 млн. жителей планеты погибают от этого заболевания. В России выявляется 66000 новых случаев рака легких ежегодно, а умирает свыше 58000 больных.

В настоящее время с появлением новых взглядов на лечение проблемы диагностики онкологических заболеваний приобретают все большее значение. Одновременно успешное развитие новых методов искусственного интеллекта, а точнее, одной из его составляющих, машинного обучения, в сочетании с повышением производительности средств вычислительной техники, привели к стремительному росту интереса к этой области со стороны ученых, инженеров и исследователей. Результатом такого интереса явилось большое количество новых разработок, связанных с созданием интеллектуальных систем диагностики (ИСД) онкологических заболеваний, ориентированных, прежде всего, на их раннее выявление.

Опухоль в легком может быть определена как патологическое объёмное образование, имеющее примерно сферическую структуру. Критериями доброкачественности являются ровный, чёткий контур, отсутствие в структуре признаков некроза, наличие обызвествлений, отсутствие изменений в окружающей лёгочной ткани и плевре. Критерии злокачественности опухоли, напротив, определяются как совокупность признаков, характеризующих экспансивный инвазивный рост: неровный нечёткий контур образования, признаки некроза к структуре, наличие радиарных тяжей, как проявление местного лимфангита, тракция прилежащей плевры. Было разработано множество систем диагностирования онкологических заболеваний (СДО) для обеспечения успешного обнаружения опухолей легких и для более обоснованного принятия решения о начале лечения на ранней стадии заболевания. Многие СДО основаны на применении методов фильтрации для обнаружения новообразований в легких на основе серий сканов компьютерной томографии (КТ), которая признана золотым стандартом в диагностике рака легкого. Данные КТ представляются в виде трехмерных изображений в формате DICOM (Digital Imaging and Communication in Medicine). Исходно сведения содержат серию сканов как последовательность 2D-изображений, а интервал между этими 2D-изображениями называется Z-интервалом.

Детальный обзор современных методов обнаружения опухолей в легком и реализаций СДО можно найти в работе (Firmino M., Morais A.H., Mendoca R.M., Dantas M.R., Hekis H.R., Valentim R. Computer-aided detection system for lung cancer in computed tomography scans: review and future prospects. Biomedical engineering online, 13(1):41, 2014) и в работе (Rehman M.Z., Javaid M., Shah S.I.A., Gilani S.O., Jamil M., Butt S.I. An appraisal of nodules detection techniques for lung cancer in CT images. Biomedical Signal Processing and Control, 41:140-151, 2018). Как показано в обзоре серьезной проблемой этих СДО является относительно большое количество ложноположительных результатов, когда различные элементы легких распознаются как злокачественные новообразования, в то время как они таковыми не являются.

Чтобы решить эту проблему и «интеллектуализировать» процесс обнаружения злокачественных образований использовались многочисленные подходы на основе «неглубокого» обучения (Khosravan N. and Bagci U. Semi-supervised multi-task learning for lung cancer diagnosis // arXiv:1802.06181v1, Feb 2018). Многие предлагаемые в последние годы СДО используют также методы глубокого обучения, в том числе 2D и 3D сверточные нейронные сети (СНС) для решения задач классификации и сегментации. Несмотря на большой интерес к методам глубокого обучения, существует много путей использования обычных методов машинного обучения, которые дают лучшие результаты по сравнению с СДО, использующими СНС. Так в (Nithila E.E. and Kumar S.S. Automatic detection of solitary pulmonary nodules using swarm intelligence optimized neural networks on CT images // Engineering Science and Technology, an International Journal, 20(3):1192–1202, 2017) представлена методика, которая помогает сегментировать новообразования без применения методов глубокого обучения. Она использует деревья решений для классификации сегментированной области. В работе (Khosravan N. and Bagci U. Semi-supervised multi-task learning for lung cancer diagnosis // arXiv:1802.06181v1, Feb 2018) отмечается, что информация о КТ-морфологии (размер, объем, форма, контур, структура) играет ключевую роль в скрининге, диагностике и классификации. Эта информация может быть эффективно использована при выявлении рака легкого. Геометрические параметры новообразований широко использовались для их обнаружения и дальнейшей классификации методами опорных векторов, k ближайших соседей, деревьями решений.

Из уровня техники известен способ, основанный на применении методов машинного обучения для анализа генетических последовательностей (заявка WO2017065959, опубл. 20.04.2017 по классам МПК C12Q1/68, G06F19/20).

В патенте Китая № CN1462884, опубл. 24.12.2003 по классам МПК A61B5/00, G01N33/574, G06F19/00, заявлен способ распознавания изображений клеток рака легких с низкой ложноотрицательной вероятностью, включающий фотографирование участка патологической клетки цифровой камерой на оптическом микроскопе, подбор видеоизображения устройством съемки изображения, отправку его на компьютер, предварительную обработку и распознавание с помощью устройства распознавания изображения клеток рака легких, состоящего из двухстадийной нейронной сети.

В патенте № EP2362958, опубл. 07.09.2011 по классу МПК G06F19/00, заявлен способ классификации опухолей мелкоклеточной карциномы легкого и клеточных линий в соответствии с геномическими профилями, а также способы диагностики, прогнозирования клинических исходов и стратификации популяций пациентов для клинического тестирования и лечения.

В заявке WO201865525, опубл.12.04.2018 по классу МПК C12Q1/68, заявлен способ прогнозирования развития рака на базе анализа образцов ткани от пациентов, в частности рака предстательной железы. Способ позволяет идентифицировать потенциально агрессивные виды рака предстательной железы, требующие лечения, и виды рака, не требующие лечения. В изобретении предоставлены панели биомаркеров, полезные для диагностики и прогнозирования рака.

Техническая проблема заявляемого изобретения заключается в создании способа интеллектуального обнаружения и диагностики злокачественных новообразований в тканях легких на основе результатов исследований методом компьютерной томографии, не требующего больших затрат на лабораторные исследования, квалифицированных медицинских специалистов и позволяющего с высокой точностью и в кратчайшие сроки идентифицировать количество, расположение, структуру злокачественных новообразований.

Технический результат - снижение количества обнаруженных ложноположительных новообразований в легких.

Интеллектуальный способ обнаружения и диагностики злокачественных новообразований в легких, включающий обработку изображений легких пациента, полученных методом компьютерной томографии, в результате которой в графическом изображении маскируют воксели со значениями плотности по шкале Хаунсфилда, не соответствующими значениям плотности тканям легких, последующую сегментацию вокселей, расположенных на поверхности «кандидатов» новообразований, построение множества хорд, образованных комбинациями пар точек, находящихся в выделенных вокселях на поверхности «кандидатов» новообразований, построение гистограммы распределения длин хорд с приведением к максимальной длине хорды, построенной в границах каждого «кандидата» новообразования, формирование вектора признаков, включающего данные построенной гистограммы распределения длин хорд, среднее значение плотности по шкале Хаунсфилда каждого «кандидата» новообразования, общее количество вокселей в каждом «кандидате» новообразования, после чего по сформированному вектору признаков осуществляют классификацию каждого «кандидата» новообразования как истинного злокачественного новообразования с помощью алгоритма машинного обучения, реализующего функции классификатора.

В качестве алгоритма машинного обучения может быть использован классификатор «глубокий лес» (Deep Forest) для обнаружения злокачественных новообразований, при этом классификатор предварительно обучен на основе множества векторов признаков, полученных после обработки КТ-изображений истинных злокачественных новообразований в легких с использованием сегментации и метода хорд, причем в качестве признаков выбраны гистограмма распределения длин хорд для каждого истинного злокачественного новообразования с приведением к максимальной длине хорды, образованной комбинациями пар точек, находящихся в выделенных вокселях на поверхности истинного злокачественного новообразования, среднее значение плотности по шкале Хаунсфилда истинного злокачественного новообразования, общее количество вокселей в истинном злокачественном новообразовании.

Метод КТ позволяет определить локализацию очага, размер, отношение к другим тканям, рост опухоли и так далее. Расшифровка снимков КТ - трудоемкий процесс, а особенно при КТ легких. Даже рентгенологи с большим стажем работы зачастую спорят о происхождении тех или иных изменений в легком. Заболевания легких рентгенологически очень схожи друг с другом, поэтому процент неправильных заключений по результатам компьютерной томографии велик.

Заявляемый способ диагностирования онкологических заболеваний легких позволяет существенно снизить количество обнаруженных ложноположительных новообразований, тем самым уменьшить количество диагностических ошибок.

3

Авторами не был выявлен из уровня техники способ диагностирования онкологических заболеваний легких, включающий обработку КТ-изображений, применение метода хорд для получения информации о поверхности и форме новообразований с последующей классификацией новообразований с помощью алгоритма машинного обучения. Способ идентификации позволяет с высокой точностью и в кратчайшие сроки (за несколько секунд) определить число и границы новообразований, их расположение в тканях легких.

Изобретение поясняется чертежами, где:

на фиг. 1 представлено 3D-изображение легких, полученное с помощью КТ и соответствующее полному строению легких, включая сосуды, воду и т.д.;

- на фиг. 2 представлено 3D-изображение, полученное после обработки изображений КТ и соответствующее только тканям легких;

- на фиг. 3 представлена типовая гистограмма распределения длин хорд с приведением к максимальной длине хорды для каждого обнаруженного злокачественного образования, где f - частота хорд определенной длины, l - приведенная длина хорды (f, l - безразмерные величины);

- на фиг.4 представлена типовая гистограмма распределения длин хорд с приведением к максимальной длине хорды для каждого обнаруженного доброкачественного образования, где f - частота хорд определенной длины, l - приведенная длина хорды (f, l - безразмерные величины);

- на фиг. 5 представлен пример полученного изображения на экране монитора, визуализирующего участки легкого в различных проекциях с обнаруженными злокачественными новообразованиями (выделены в прямоугольниках).

Интеллектуальный способ обнаружения и диагностики злокачественных новообразований в легких состоит из следующих этапов: предварительной обработки КТ-изображения (обнаружение «кандидатов» новообразований фильтрацией и сегментацией тканей); сокращении числа ложноположительных случаев (исключение ложных новообразований, которые неверно идентифицированы на этапе фильтрации); классификации новообразований. Все этапы способа выполняются компьютерной программой, разработанной авторами.

Процедура предварительной обработки КТ-изображения заключается в отделении области исследования (легочная ткань) от других органов и тканей (органы средостения, мягкие ткани грудной стенки, костные структуры) и снижении вычислительной сложности следующих этапов (фиг.1). Предварительная обработка КТ-изображения легких включает этап сегментации КТ-изображения. В соответствии с этой процедурой данные или значения вокселей в каждом КТ-изображении преобразуются в значения плотности по шкале Хаунсфилда или коэффициент абсорбции тканей, он же коэффициент ослабления, выражаемый в единицах Хаунсфилда (ед. Н, или Hounsfield Units, или HU). В шкале Хаунсфилда за 0 принята плотность воды. Используя разницу плотностного диапазона между легочной тканью, обладающей естественной контрастностью, и мягкими тканями, имеющими положительные значения по шкале Хаунсфилда от +40 до +80, метод сегментации является эффективным. Воксели, которые находятся за пределами этой области плотностного диапазона и соответствуют сосудам, воде, воздуху и т.д., «маскируются» для того, чтобы оставить для анализа только

4

легочную ткань. На фиг. 2 представлено 3D-изображение, полученное после обработки КТ-изображений и соответствующее только тканям легких.

Второй этап сегментации заключается в выделении «кандидатов» новообразований для дальнейшего определения вокселей, расположенных на поверхности анализируемых образований. С помощью разработанной компьютерной программы осуществляется выделение вокселей графически, описывающих границы «кандидатов» новообразований (при помощи стандартных процедур графической обработки изображения по цветам объектов на нем). Таким образом, получают предварительную визуализацию с выделенными границами «кандидатов» новообразований. Сегментация новообразований может быть реализована с помощью стандартных библиотек Python. Объекты на КТ-изображениях разделяются анализом каждого вокселя, применяя библиотеку Python SimpleITK (метод Connected Treshold).

Затем для каждого «кандидата» новообразования с помощью компьютерной программы строят множество хорд, образованных комбинациями пар точек, соответствующих вокселям, расположенных на поверхности анализируемых «кандидатов» новообразований. Построение множества хорд осуществляется с использованием программно реализованного стандартного генератора случайных чисел, имеющегося в библиотеках практически всех языков программирования, и, в частности, в Phyton. Каждая хорда – это отрезок соединяющий произвольно выбранную пару точек на поверхности «кандидата» новообразования. Метод хорд позволяет с высокой точностью получить информацию о границах поверхности и форме «кандидатов» новообразований (Smith S.P. and Jain A.K. Chord distribution for shape matching // Computer vision, graphics, and image processing, 20(3):259–271, 1982). Множество длин хорд можно рассматривать как распределение вероятностей или гистограмму. Метод хорд инвариантен к размеру объектов, их перемещению и повороту, а также устойчив по отношению к «шумам» или искажениям поверхности объекта. С помощью компьютерной программы вычисляют длины полученных хорд и нормализуют их в соответствии с самой длинной хордой. Затем строят гистограмму нормализованных длин хорд.

В процессе анализа КТ-изображений с выделенными злокачественными и доброкачественными новообразованиями с помощью заявляемого способа авторами было обнаружено, что гистограммы распределения длин хорд для злокачественных и доброкачественных образований совершенно различны (фиг. 3, 4). Для злокачественных новообразований гистограмма распределения длин хорд имеет более гладкую форму.

Классификацию каждого «кандидата» новообразования для определения соответствия их принадлежности к истинному новообразования (злокачественному или доброкачественному) осуществляют с помощью заранее обученного алгоритма машинного обучения, реализующего функции классификатора. В качестве обучаемого классификатора может использоваться любой классификатор. В данном способе используется случайный лес (Breiman L. Random forests // Machine learning, 45(1):5–32, 2001), являющийся наиболее известным и широко используемым на практике алгоритмом обучения с учителем, а также его расширение – глубокий лес (Deep Forest), являющийся эффективным при классификации изображений с небольшим числом категорий объектов (Zhou Z.-H., Feng J. DeepForest: Towards An Alternative to Deep Neural Networks, arXiv:1702.08835v2, 2017).

Входными данными для классификатора является вектор признаков, который характеризует новообразование в легком с точки зрения его формы (гистограмма длин хорд, максимальные размеры новообразования) и плотности. Вектор признаков для каждого «кандидата» новообразования в легком содержит данные построенных гистограмм распределения длин хорд, среднее значение плотности по шкале Хаунсфилда; общее количество вокселей в новообразовании. Использование наряду с гистограммой длин хорд дополнительных признаков позволит повысить точность классификации. Для снижения количества ложноположительных случаев классификации новообразований вектор признаков может быть расширен другими признаками, наиболее точно описывающих структуру, морфологию «кандидатов» образований, демографические данные пациентов.

Полученный вектор признаков рассматривается как характеристическое представление каждого новообразования. Благодаря тому, что в заявляемом способе для классификации новообразований используется не все изображение, а только гистограмма распределения длин хорд, существенно снижается сложность классификации и обнаружения злокачественных образований.

После классификации каждого «кандидата» новообразования как истинного злокачественного новообразования на экране монитора отображается визуализация полученных результатов, на которой графически выделены обнаруженные злокачественные новообразования на проекциях изображения легкого. Полученная визуализация позволяет определить их расположение, примерную структуру. Затем по полученному результирующему изображению врач-диагност производит анализ обнаруженных новообразований с целью постановки диагноза.

Заявляемый способ диагностики новообразований был опробован на наборе данных КТ-изображений легких 228 пациентов в формате DICOM из Minisite Harvard Tunor Hunt Challenge Minisite (http://www.topcoder.com). Получена вероятность правильного обнаружения опухоли 0,95. Вероятность получена путем разделения исходного набора данных на две части: обучающие данные и данные для тестирования. На первом наборе осуществляется обучение всей системы. На втором наборе осуществляется верификация системы и вычисление вероятности правильного обнаружения опухоли как доли совпадений обнаруженных опухолей и имеющихся в данных для тестирования к общему числу опухолей в данных для тестирования. На известном наборе данных LIDC (Lung Image Database Consortium) (Armato III S.G., McLennan G., and et al. The lung image database econsortium (LIDC) and image database resource initiative (IDRI): a completed reference database of lung nodules on CT scans. Medical Physics, 38(2):915-931, 2011) получена вероятность правильного обнаружения опухоли 0,93.

Пример. С помощью заявляемого способа было проанализировано КТ-изображение легких пациента Х., 64 года, в результате чего обнаружены злокачественные новообразования. На Фиг. 5 представлено результирующее изображение, визуализирующее участки легкого пациента Х. в различных проекциях с обнаруженными злокачественными новообразованиями (выделены в прямоугольниках).

При обследовании пациентов получаемые КТ-изображения могут быть переданы на рабочий компьютер врача-диагноста, на котором установлена компьютерная программа реализующая заявляемый способ. Таким образом, заявляемый способ позволяет непосредственно после исследования пациента методом компьютерной томографии осуществлять интеллектуальный анализ полученного КТ-изображения легких с целью обнаружения и диагностики злокачественных новообразований в тканях легких и визуализации полученных результатов в виде расположения обнаруженных злокачественных новообразований на проекциях изображения легкого.

1. Интеллектуальный способ обнаружения и диагностики злокачественных новообразований в легких, включающий обработку изображений легких пациента, полученных методом компьютерной томографии, в результате которой в графическом изображении маскируют воксели со значениями плотности по шкале Хаунсфилда с не соответствующими значениям плотности тканям легких, последующую сегментацию вокселей, расположенных на поверхности «кандидатов» новообразований, построение множества хорд, образованных комбинациями пар точек, находящихся в выделенных вокселях на поверхности «кандидатов» новообразований, построение гистограммы распределения длин хорд с приведением к максимальной длине хорды, построенной в границах каждого «кандидата» новообразования, формирование вектора признаков, включающего данные построенной гистограммы распределения длин хорд, среднее значение плотности по шкале Хаунсфилда каждого «кандидата» новообразования, общее количество вокселей в каждом «кандидате» новообразования, после чего по сформированному вектору признаков осуществляют классификацию каждого «кандидата» новообразования как истинного злокачественного новообразования с помощью алгоритма машинного обучения, реализующего функции классификатора.

2. Способ по п.1, в котором в качестве алгоритма машинного обучения использован классификатор «глубокий лес» (Deep Forest) для обнаружения злокачественных новообразований, при этом классификатор предварительно обучен на основе множества векторов признаков, полученных после обработки КТ-изображений истинных злокачественных новообразований в легких с использованием сегментации и метода хорд, причем в качестве признаков выбраны гистограмма распределения длин хорд для каждого истинного злокачественного новообразования с приведением к максимальной длине хорды, образованной комбинациями пар точек, находящихся в выделенных вокселях на поверхности истинного злокачественного новообразования, среднее значение плотности по шкале Хаунсфилда истинного злокачественного новообразования, общее количество вокселей в истинном злокачественном новообразовании.



 

Похожие патенты:

Изобретение относится к области алгоритмов машинного обучения. Техническим результатом является повышение точности модели DNN (Глубокая нейронная сеть) с уменьшенным размером.

Группа изобретений относится к вычислительной области техники, в частности к визуальным маркерам и способам их продуцирования, которые могут использоваться в робототехнике, виртуальной и дополненной реальности.

Изобретения относятся к радиотехнике. Технический результат заключается в повышении вероятности правильного распознавания анализируемых радиосигналов.

Изобретение относится к области вычислительной техники. Техническим результатом является обеспечение бесперебойной работы вычислительной системы.

Изобретение относится к системам и способам распознавания с использованием искусственного интеллекта. Технический результат заключается в упрощении структур одной или более моделей машинного обучения и уменьшении количества обрабатывающих и вычислительных ресурсов, необходимых для распознавания иероглифов.

Изобретение относится к медицине, а именно в трансплантологии и кардиологии, и может быть использовано для определения степени риска отторжения трансплантата. Способ включает выявление предикторов.

Изобретение относится к области обнаружения вредоносных файлов. Техническим результатом является обнаружение вредоносных файлов на основании анализа функциональных зависимостей между ресурсами анализируемых файлов.

Изобретение относится к биометрической идентификации и аутентификации человека. Технический результат заключается в обеспечении быстрого и надежного способа идентификации человека с использованием индивидуальных реакций на небольшой набор простых стимулов с помощью электроэнцефаллограмм (ЭЭГ).

Изобретение относится к диагностике состояния электроприводных устройств. Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата включает измерение параметров, сбор информации и проверку ее достоверности, фильтрацию измерений, проверку измерений, корректировку показаний измерений, сверку с ограничениями, вычисление признаков оперативного диагностирования, распознавание неисправностей и расчет отклонений.

Изобретение относится к компьютерным системам диагностики производственных объектов. В частности, предложена интеллектуальная информационная система технической диагностики состояния подвижных миксеров, которая включает подвижной миксер с тензодатчиками и компьютер технолога со специализированным программным обеспечением.

Изобретение относится к медицине, неврологии, психиатрии, нейрофизиологии, нейропсихологии. Измеряют площадь свободной поверхности полушарий большого мозга с учетом его извилин и борозд и площадь поверхности минимальной мнимой сферы, описанной вокруг полушарий большого мозга, с использованием компьютерно-диагностического аппаратного комплекса.

Изобретение относится к медицине, а именно к педиатрии и терапии. Проводят компьютерную капилляроскопию ногтевого ложа.

Группа изобретений относится, в том числе, к области медицинской техники, а именно к несущей системе для носимого на теле объекта, в частности медицинского прибора, к способу изготовления несущей системы, а также к ее особому применению.

Изобретение относится к области медицины, а именно к хирургической отоларингологии, и может быть использовано для оценки эффективности хирургического лечения сфеноидита.

Изобретение относится к устройству и способу получения показателя жизненно важных функций объекта. Техническим результатом является обеспечение отличия сигнала дыхания от шума в проекции, основанной на регистрации показателей жизненно важных функций.

Изобретение относится к медицине, а именно к офтальмологии, и может быть использовано для тонометрии глаза. Воздействуют на глаз вибрирующим датчиком.
Изобретение относится к области медицины, а именно к офтальмодиагностике. Для диагностики состояния роговицы при использовании ортокератологической контактной линзы проводят конфокальную микроскопию, по результатам которой оценивают гистоморфологические изменения состояния роговицы.

Группа изобретений относится к медицине. Способ формирования информации о классификации аудио и информации о движениях головы выполняют с помощью электронного устройства для диагностики апноэ во сне.

Группа изобретений относится к медицинской технике, а именно к средствам для ультразвуковых эластографических измерений. Система для ультразвукового исследования анатомического участка содержит ультразвуковой зонд, сконфигурированный для передачи ультразвукового сигнала к анатомическому участку, и блок обработки для формирования ультразвукового изображения анатомического участка, при этом блок обработки дополнительно сконфигурирован для управления ультразвуковым зондом для передачи импульса давления для генерирования сдвиговых волн в анатомическом участке, идентификации, из опорного изображения в В-режиме, первой и второй неналоженных областей анатомического участка, причем первая область определяется блоком обработки как соответствующая области, подходящей для эластографии сдвиговых волн, а вторая область определяется блоком обработки как соответствующая области, не подходящей для эластографии сдвиговых волн, при этом первая и вторая области идентифицируются блоком обработки, по меньшей мере частично, путем сегментации опорного изображения в В-режиме для идентификации одной или более границ между анатомическими структурами в анатомическом участке, так что вторая область определяется, по меньшей мере частично, посредством одной или более границ, отображения ультразвукового изображения, формирования по меньшей мере одной рекомендательной характеристики c ультразвуковым изображением, причем по меньшей мере одна рекомендательная характеристика содержит графическое изображение, наложенное на ультразвуковое изображение, и очерченную вторую область, и инструкцию для выбора плоскости сбора данных для эластографии, отличной от плоскости ультразвукового изображения, или их комбинации.

Группа изобретений относится к медицинской технике, а именно к средствам для контроля влияния света и звука на пациента. Система содержит блок улавливания окружающего света около человека с течением времени, содержащий камеру для улавливания изображений, в частности видеоданных зоны записи, включающей в себя, по меньшей мере, глаза человека, когда человек расположен в предварительно определенном стандартном положении, блок улавливания окружающего звука около человека с течением времени, блок установления порога для формирования и выдачи пускового сигнала, если яркость уловленного окружающего света превышает уровень яркости, и/или если уровень звука уловленного окружающего звука превышает звуковой порог, процессор для определения уровня стресса человека, процессор обработки уловленных изображений до проверки, превышает ли уровень освещенности уловленных изображений световой порог, посредством блока установления порога путем выбора области, представляющей интерес, в изображении, которая включает в себя или прилегает к глазам человека, и путем вывода критерия яркости области, представляющей интерес, посредством усреднения интенсивности всех пикселей в области, представляющей интерес, или выбора интенсивности самого яркого пикселя, при этом критерий яркости используется как уровень освещенности для проверки, превышает ли уровень освещенности уловленных изображений световой порог, посредством блока установления порога, блок памяти для сохранения, в ответ на принятый пусковой сигнал, фрагментов окружающего света и окружающего звука, уловленных примерно в момент времени приема пускового сигнала, и фрагментов информации об уровне стресса примерно в момент времени приема пускового сигнала, блок просмотра сохраненных фрагментов окружающего света, окружающего звука и информации об уровне стресса, позволяющих идентифицировать основную причину окружающего света и окружающего звука, сохраненную в просмотренном фрагменте, и выводить руководящую информацию, указывающую, как избежать таких света и звука, вызванных идентифицированной основной причиной.
Изобретение относится к медицине, педиатрии, пульмонологии, детским инфекционным болезням. У детей с синдромом крупа определяют в абсолютных величинах следующие показатели. При наличии атопии у родственников и/или у ребенка (А) присваивают числовое значение «1», при отсутствии - «0». При массе тела ребенка при рождении (М) менее 3 кг присваивают числовое значение «0», при массе (М) более 3 кг - «1». При среднем образовании родителей и выше среднего, и/или полной семье (ССС) присваивают числовое значение «1», при образовании ниже среднего, и/или неполной семье присваивают числовое значение «0». При наличии туберкулеза (ТУБ) у ребенка в настоящий момент или в анамнезе присваивают числовое значение «1», при отсутствии туберкулеза у ребенка в настоящий момент или в анамнезе - «0». При первичном инфицировании микобактериями туберкулеза (ПИ) в возрасте 1-3 лет (ПИ старше 1-3 года) присваивают числовое значение «1», при отсутствии инфицирования микобактериями туберкулеза в возрасте 1-3 лет - «0». При первичном инфицировании микобактериями туберкулеза в возрасте старше 3 лет (ПИ старше 3 лет) присваивают числовое значение «1», при отсутствии инфицирования микобактериями туберкулеза в возрасте старше 3 лет присваивают числовое значение «0». Затем вычисляют значение (z) уравнения множественного логистического регрессионного анализа по формуле:z=0,7402+К1×A+К2×М+К3×ССС+К4×ТУБ+К5×ПИ1-3 года +К6×ПИ старше 3 лет,где 0,7402 - константа; а коэффициенты переменных: К1 = 0,128; К2 = 0,02884; К3 = 0,0868; К4 = 0,1432; К5 = 0,07703; К6 = - 0,673. Если значение z≥0,9, прогнозируют высокий риск формирования рецидивирующего стенозирующего ларинготрахеита у конкретного пациента с синдромом крупа. Способ обеспечивает упрощение, повышение точности и доступности прогноза. 3 пр.

Изобретение относится к медицине, а именно к диагностике рака легких. Способ содержит обработку изображений легких пациента, полученных методом компьютерной томографии, в результате которой в графическом изображении маскируют воксели со значениями плотности по шкале Хаунсфилда, не соответствующими значениям плотности тканям легких; последующую сегментацию вокселей, расположенных на поверхности «кандидатов» новообразований; построение множества хорд, образованных комбинациями пар точек, находящихся в выделенных вокселях на поверхности «кандидатов» новообразований; построение гистограммы распределения длин хорд с приведением к максимальной длине хорды, построенной в границах каждого «кандидата» новообразования; формирование вектора признаков, включающего данные построенной гистограммы распределения длин хорд, среднее значение плотности по шкале Хаунсфилда каждого «кандидата» новообразования, общее количество вокселей в каждом «кандидате» новообразования. После этого по сформированному вектору признаков осуществляют классификацию каждого «кандидата» новообразования как истинного злокачественного новообразования с помощью алгоритма машинного обучения, реализующего функции классификатора. Изобретение обеспечивает снижение количества обнаруженных ложноположительных новообразований в легких. 1 з.п. ф-лы, 5 ил.

Наверх