Исследование контекстного распознавания биомедицинских изображений

Аннотация. Информационные технологии и средства ядерной медицины являются ключевыми компонентами прогресса, связанного с модернизацией медицинских технологий. Диагностика медицинских изображений невозможна без использования высокопроизводительных вычислительных машин и комплексов, а также рационального математического и программного обеспечения задач, связанных с своевременным принятием решений. С целью оперативного анализа медицинских изображений создаются и внедряются инновационные комплексы, предназначенные для компьютерного анализа полученных снимков различных участков тела и внутренних органов. На сегодняшний день создано множество подобных технологий, каждая из которых предназначена с целью решения и распознавания конкретных участков или областей внутренних органов человеческого организма. Примерами являются: распознавание рентгеновских снимков, распознавание снимков капель крови и др. Технологии, предназначенные с целью контекстного распознавания биомедицинских изображений включают в себя самые инновационные и передовые методы, к примеру, сегментация изображения какого-либо органа, расчет текстурных и иных сложно-доступных параметров и др. Основной целью данной статьи является исследование контекстного распознавания биомедицинских изображений.
Ключевые слова. Биомедицинское изображение, параметры, контекстное распознавание, принятие решений, сегментация.
RESEARCH ON CONTEXTUAL RECOGNITION OF BIOMEDICAL IMAGES
Annotation. Information technologies and nuclear medicine tools are key components of progress related to the modernization of medical technologies. Diagnostics of medical images is impossible without the use of high-performance computers and complexes, as well as rational mathematical and software problems associated with timely decision-making. For the purpose of rapid analysis of medical images, innovative systems are being created and implemented that are designed for computer analysis of images of various parts of the body and internal organs. To date, many similar technologies have been created, each of which is designed to solve and recognize specific areas or areas of the internal organs of the human body. Examples are: recognition of x-ray images, recognition of images of blood drops, etc. Technologies designed for the purpose of contextual recognition of biomedical images include the most innovative and advanced methods, for example, segmentation of an image of an organ, calculation of textural and other difficult-to-access parameters, etc. Main purpose of this article is to Study the contextual recognition of biomedical images.
Key words. Biomedical image, parameters, contextual recognition, decision making, segmentation.
Анализ биомедицинских изображений является актуальной темой, в первую очередь связанной с компьютерной диагностикой

. На сегодняшний день создается следующая тенденция - математические методы и машинное обучение в будущем помогут значительно упростить и ускорить диагностику заболеваний, особенно на ранних стадиях.
Диагностирование станет производиться точнее. Также стоит отметить, что диагнозы будут устанавливаться в короткие сроки, а значит, шансов сохранить здоровье и жизнь будет больше. Произошедший в районе 2010 года прорыв в распознавании изображений мог бы означать, что и в анализе медицинских снимков многое изменится, однако не все так просто.
С появлением первых электронно-вычислительных машин, способных работать с изображениями, то есть в 80-е годы XX века, появилась и мысль о том, что с их помощью можно автоматически анализировать медицинские снимки.
Анализом биомедицинских изображений занимались представители разных областей науки. Но так как первые компьютеры работали очень медленно и маленькую картинку могли открывать минуту, а то и дольше, то полноценно использоваться в этой области они пока не могли.
Инновационные технологии распознавания биомедицинских изображений применимы буквально во всех областях — от офтальмологии до МРТ. Особенно популярно сейчас изучение снимков глазного дна, так как это единственное место, где можно увидеть сосуды неинвазивно. Кроме того, первый признак диабета — диабетическую ретинопатию — можно обнаружить как раз на глазном дне. В эти исследования сейчас очень активно вкладываются на Западе, так как проблема диабета становится все насущнее.
Достаточно широкий круг задач в анализе медицинских изображений связан с дерматологией. Вообще, исследуются все области, где есть изображения. Каждая болезнь — отдельная область исследований. Поэтому из обилия болезней и различных медицинских аппаратов складывается огромное разнообразие в этих исследованиях. Для некоторых анализов, особенно для ультразвука и ряда других технологий (МРТ, компьютерной томографии), очень важно, на каком приборе это делается — алгоритмы пишутся для каждой конкретной модели и ее режимов.
Посредством анализа биомедицинских изображений можно исследовать что угодно — от перелома шейки бедра до 3D-моделирования зубов. Со стоматологией особенно интересно: при помощи моделирования пациент может увидеть, какие у него будут зубы, как они будут меняться от недели к неделе, если поставить брекеты, — эти процессы можно смоделировать.
Есть равные возможности для исследования всех областей медицины, и нет какой-то одной, в которой работы велись бы наиболее активно. Но наиболее приоритетным направлением все-таки является лучевая диагностика мозга.
Относительно разработанного и уже доказавшим свою эффективность посредством практического применения является искусственный интеллект, предназначенный для распознавания рентгеновских снимков.
Как говорится в сообщении Медицинского центра Стэндфордского университета, анализ 420 рентгеновских снимков с постановкой диагноза занял у нейросети 90 секунд, тогда как врачи потратили на это около трех часов.
На рисунке 1 представлены основные достоинства CheXNeXt:
Рисунок 1 – Основные достоинства искусственного интеллекта CheXNeXt
Нейросеть CheXNeXt, умеющую оценивать рентгеновские снимки и ставить диагноз, разработали в Медицинском центре Стэндфордского университета