Аналіз та застосування технологій оброблення біомедичних зображень для інтенсифікації медичної діагностики
Анотація
Проаналізовано сучасний стан і тенденції розвитку медичної візуалізації як ключового інструмента неінвазивної діагностики в системі охорони здоров'я. Досліджено основні типи біомедичних зображень, отриманих методами комп'ютерної томографії, магнітно-резонансної томографії та ультразвукової діагностики, а також визначено їхні характерні структурні спотворення та артефакти, що впливають на достовірність клінічних рішень, правильність установлення діагнозу та пришвидшення опрацювання діагностичних даних медичним персоналом. Розроблено та реалізовано адаптивний безреференсний алгоритм оцінювання якості біомедичних зображень з інтеграцією окремих структурно-адаптивних аспектів алгоритму IMAR (англ. Iterative Metal Artifact Reduction). Проведено апробацію запропонованого алгоритму на вибірці реальних клінічних даних, внаслідок чого встановлено його підвищену чутливість до локальних низькоконтрастних спотворень, шумів і структурних артефактів за умови збереження морфологічної та текстурної цілісності зображень. Здійснено порівняльний аналіз із поширеними безреференсними методами оцінювання якості зображень NIQE (англ. Naturalness Image Quality Evaluator), BRISQUE (англ. Blind/Referenceless Image Spatial Quality Evaluator) та IL-NIQE (англ. Integrated Local NIQE), який показав зростання кореляції з експертною оцінкою лікарів на 18–27 % та зменшення кількості хибних результатів на 15-22 %. Обґрунтовано, що застосування запропонованого підходу забезпечує надійнішу ідентифікацію діагностично-значущих ознак і сприяє ранньому виявленню патологій, зокрема нирково-клітинного раку, інцидентність якого в Україні у 1997-2019 рр. зросла від 10,1 до 13,6 на 100 тис. чоловіків та від 6,2 до 8,1 на 100 тис. жінок, а також підтвердженню діагнозу розсіяного склерозу у понад 90 % пацієнтів за даними МРТ (укр. магнітно-резонансна томографія). Встановлено, що отримані результати створюють передумови для інтеграції алгоритму в інтелектуальні клінічні системи, електронні медичні записи та нейромережеві моделі з метою інтенсифікації автоматизованої медичної діагностики.
Завантаження
Посилання
Clark, K., et al. (2013). The Cancer Imaging Archive (TCIA): Maintaining and operating a public information repository. Journal of Digital Imaging, 26, 1045–1057. https://doi.org/10.1007/s10278-013-9622-7
Esteva, A., et al. (2019). A guide to deep learning in healthcare. Nature Medicine, 25, 24–29. URL: https://doi.org/10.1038/s41591-018-0316-z
Greenspan, H., van Ginneken, B., & Summers, R. M. (2016). Deep learning in medical imaging: Overview and future promise. IEEE Transactions on Medical Imaging, 35(5), 1153–1159. URL: https://doi.org/10.1109/TMI.2016.2553401
Hosny, A., et al. (2018). Artificial intelligence in radiology. Nature Reviews Cancer, 18, 500–510. https://doi.org/10.1038/s41568-018-0016-5
Koenderink, J. J., & van Doorn, A. J. (1987). Representation of local geometry in the visual system. Biological cybernetics, 55(6), 367–375. URL: https://www.academia.edu/50393405/Representation_of_local_geometry_in_the_visual_system
Litjens, G., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005
Mark, S., & Alberto, S. (2008). Feature Extraction and Image Processing. University of Maryland, 6, 88–95. URL: https://books.google.mw/books?id=3JuesLhNXBAC&printsec=frontcover&source=gbs_book_other_versions_r&cad=4#v=onepage&q&f=false
Mittal, A., Moorthy, A. K., & Bovik, A. C. (2012). No-reference image quality assessment in the spatial domain. IEEE Transactions on Image Processing, 21(12), pp. 4695–4708. https://doi.org/10.1109/TIP.2012.2214050
Mittal, A., Soundararajan, R., & Bovik, A. C. (2013). Making a completely blind image quality analyzer. IEEE Signal Processing Letters, 20(3), 209–212. https://doi.org/10.1109/LSP.2012.2227726
Omarov, B. (2025). Deep Learning in Biomedical Image and Signal Processing: A Survey. Computers, Materials and Continua, 85(2), 2195–2253. https://doi.org/10.32604/cmc.2025.064799
Shen, D., Wu, G., & Suk, H. (2017). Deep learning in medical image analysis. Annual Review of Biomedical Engineering, 19, 221–248. https://doi.org/10.1146/annurev-bioeng-071516-044442
Shkurat, O. S. (2020). Methods and information technology for processing archival medical images (PhD thesis, specialty 05.13.06 – Information Technology). Kyiv, Ukraine. URL: https://uacademic.info/ua/document/0420U102171
The Science and Applications of Medical Imaging | PostDICOM. URL: https://www.postdicom.com/en/blog/medical-imaging-science-and-applications
Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25, 44–56. https://doi.org/10.1038/s41591-018-0300-7
Veseliak, V. V., & Hrytsiuk, Y. I. (2024). Machine learning methods in epidemiological research. Scientific Bulletin of UNFU, 34(4), 59–67. https://doi.org/10.36930/40340408
Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality assessment: From error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4), 600–612. https://doi.org/10.1109/TIP.2003.819861
Zhang, L., Zhang, L., Mou, X., & Zhang, D. (2011). FSIM: A feature similarity index for image quality assessment. IEEE Transactions on Image Processing, 20(8), 2378–2386. https://doi.org/10.1109/TIP.2011.2109730
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
