Проект: Разработка приложения-анализатора состояния объектов интереса на медицинских изображениях.

В результате планируется получить прототип программного обеспечения (ПО) осуществляющего идентификацию объектов интереса на различных медицинских изображениях и осуществляющего их аналитику. Данный прототип позволит осуществить функциональное тестирование и последующую доработку, для дальнейшей продажи уже готового программного обеспечения. В функционал прототипа ПО будет включено: - возможность идентифицировать суставы кисти человека, с последующей оценкой траекторий их движений, для выявления износа сустава и отклонений от нормы; - возможность идентификации объектов в области простаты человека, с последующим анализом их состояния; - возможность распознавания объектов интереса на томаграфических снимках. Так же будет подготовлен комплект пользовательской документации, для проведения полноценного функционального тестирования. В рамках научной деятельности планируется подготовка ряда научных публикаций: 2 статьи в журналах из перечня ВАК (К1); 1 статья в журнале индексируемом в базах данных MathSciNet, Scopus. Так же планируется участие в 3-х конференциях в том числе в одной под эгидой общества IEEE.

В последнее время одним из актуальных направлений развития компьютерных технологий в медицине становится обработка цифровых изображений: улучшение качества изображения, восстановление поврежденных изображений, распознавание отдельных элементов. Распознавание патологических процессов является одной из наиболее важных задач обработки и анализа медицинских изображений. При решении задач распознавания все чаще используются компьютерные системы диагностики – computer aided diagnostic (CAD). Алгоритм CAD – системы медицинских изображений, как правило, включает в себя сегментацию изображения, выделение объектов интереса («масс»), их анализ, параметрическое описание, их классификацию. При этом выделенные объекты являются отражением патологического процесса в организме, а их классификация отвечает на вопрос, все ли выделенные объекты являются проявлением патологического процесса. В качестве методов параметрического описания выделенных объектов используется текстурный, гистограммный и морфометрический анализ, однако сочетание этих методов применяется редко. Классификация объектов интереса проводится по методу нейронных сетей, опорных векторов, дискриминантного анализа и пр. Вместе с тем задача автоматизированной диагностики патологических процессов по данным медицинских изображений далека от своего разрешения. Актуальной проблемой остается определение оптимальных методов параметрического описания объектов интереса, что может оказывать непосредственное влияние на качество их классификации. Интерпретация медицинских изображений представляет сложности как для врача, так и для искусственного интеллекта. Трудности для врача: - специалисты могут разойтись в диагнозе при оценке одного и того же снимка; - ряд заболеваний на ранних стадиях проявляется небольшими изменениями, которые можно пропустить при визуальном осмотре; - врачу необходимо просмотреть большее число снимков, часто сравнивая их с предыдущими исследованиями; - время частично затрачивается на подготовку отчётов. Трудности для искусственного интеллекта (ИИ): - Архивы медицинских снимков, которые представляют собой наборы данных, изначально непонятны компьютеру. Они нуждаются в предварительной обработке. Медицинские специалисты вручную маркируют каждый снимок, просматривая его на наличие патологии и указывая диагноз. Процесс может занять длительное время и зависит от опыта диагноста. - ИИ может демонстрировать высокую точность на ограниченном наборе данных, но ошибаться в случае новых примеров. Исследователи стараются, чтобы алгоритм был обобщаемым и демонстрировал эффективность в разных клинических ситуациях. - Разнородность данных обусловлена особенностями диагностической аппаратуры. Марка и модель сканера, который использовался при исследовании, может отразиться на качестве снимка. Гетерогенность данных также объясняется опытом оператора, разными параметрами сканирования, а также разнообразием групп пациентов – пол, возраст, заболевание. Актуальность разработки современных решений в области анализа цифровых фото и видеоданных подтверждается тем, что в 2019 году объем российского рынка компьютерного зрения оценивался в 8 миллиардов рублей, то к концу 2023 года он может достигнуть 38 миллиардов. Согласно опросу TAdviser, самыми перспективными отраслями для компьютерного зрения считаются видеонаблюдение и безопасность - их назвали 28 процентов респондентов. Столько же у медицины и здравоохранения. Далее следуют транспорт и производственный сектор - по 16 процентов. На видеоаналитику самый большой спрос (17 процентов заявок) у туристического сектора, сферы культуры и досуга. В лидерах также промышленность, строительство и коммерческая недвижимость (11-15 процентов). Так же можно отметить что применение ИИ в области здравоохранения интегрируется как базовая технология и включается во многие стратегии развития.

Предметом исследования данного проекта являются современные методики и алгоритмы обработки и анализа изображений. На их базе планируется разработка новых методик обработки, а так же возможно усовершенствование уже существующих решений согласно области реализации проекта. Так же разработке подлежит новый программный продукт для идентификации и анализа состояния объектов интереса на медицинских изображениях.

В рамках реализации планируется проведении аналитического обзора современного состояния предметной области проекта. На базе полученных в ходе обзора результатов будет проведено практической исследование найденных результатов с их последующим анализом. На базе полученных данных будет выполнена реализация алгоритмов обработки медицинских изображений. После чего буду реализованы алгоритмы анализа обработанной информации для идентификации объектов интереса и анализа их состояния. При выполнении аналитического обзора современного состояния предметной области проекта, участники с низким изначальным уровнем понимания решаемых задач смогут в полной мере погрузиться в их решение за счет расширения своих знаний. В то время как участники с большим опытом смогут его расширить и отслеживать современные тенденции развития предметной области реализации проекта. Практическое исследование найденных в ходе аналитического обзора решений позволит получить понимание их пригодности для решения поставленных задач, а так же получить практические навыки по обработке и анализу информации на цифровых медицинских изображениях. На следующих этапах будут получены навыки самостоятельного поиска решений, анализа полученных результатов, навыков по модернизации существующих решений и навыки программной реализации средств обработки и анализа цифровых медицинских изображениях. Таким образом, обучающиеся ПИШ смогу коснуться различных методов решения поставленных задач и получить большой опыт их решения с различных сторон.

В части решаемых задач в проекте планируется использовать новые быстродействующие алгоритмы обработки изображений, например, рекурсивно-сепарабельные фильтры. Они за счет своей внутренней структуры позволяют сократить количество вычислительных операций, требуемых на процесс обработки. Так же разработка и обучение нейронных сетей для решения различных задач с каждым годом получается все больше распространения для решения задач в различных областях науки и техники. Например, фирмы, занимающиеся разработкой систем анализа визуальной информации, которые работают в режимах, приближенных к реальному времени (компьютерное зрение). Если в 2019 году объем российского рынка компьютерного зрения оценивался в 8 миллиардов рублей, то к концу 2023 года он может достигнуть 38 миллиардов. Согласно опросу TAdviser, самыми перспективными отраслями для компьютерного зрения считаются видеонаблюдение и безопасность - их назвали 28 процентов респондентов. Столько же у медицины и здравоохранения. Далее следуют транспорт и производственный сектор - по 16 процентов. На видеоаналитику самый большой спрос (17 процентов заявок) у туристического сектора, сферы культуры и досуга.

В рамках задела, коллектив проекта принимал участие в выполнение работ по 10 различным проектам, в которых выполнялась разработка новых методик и алгоритмов цифровой обработки и анализа изображений, в частности руководителем защищена кандидатская диссертация по быстродействующим цифровым фильтрам. Опубликована монография: Современные методы анализа и повышения качества цифровых изображений : монография / С. В. Сай, А. В. Каменский, М. И. Курячий ; Министерство науки и высшего образования Российской Федерации, Тихоокеанский государственный университет. – Хабаровск : Изд-во Тихоокеан. гос. ун-та, 2020. – 173с. В рамках индивидуального проекта по стипендии Президента РФ, проводились исследования и разработка решений по диагностики подвижности сустава в кисти человека. Следует отметить опыт разработки программ для ЭВМ, за последние 4 года было получено 11 свидетельств о государственной регистрации программ для ЭВМ и баз данных. Коллективом опубликовано более 100 публикаций различного уровня (Каменский А.В. https://elibrary.ru/author_profile.asp?id=1057825 и Капустин В.В. https://elibrary.ru/author_profile.asp?id=897739), в том числе имеются работы по обработке и анализу информации на медицинских изображений, из них ряд статей с высоким статусом (Q2).

Несмотря на широкое распространение нейронных сетей в мире, каждая решает определенные задачи. Их все активнее начинают использовать в сфере высокотехнологичной медицины, но они решают определенные задачи на которых сконцентрированы разработчики. Преимуществом разрабатываемых решений будут модели нейронных сетей обученные именно для решения специфических задач в области идентификации и анализа состояния объектов интереса на медицинских изображениях. Так же к преимуществам можно отнести тот факт что разрабатываемый прототип ПО позволит сделать его функционал гибким за счет интеграции в него различного функционала анализа различных оптических изображений формируемых различными медицинскими комплексами.

• Статья обработка изображений

  460418.pdf