Academic literature on the topic 'Рентгенівські зображення'

Розроблений авторами алгоритм послаблення впливу розсіяного випромінювання на рентгенівські зображення порівняний з двома найефективнішими апаратними методами: збільшення повітряного проміжку та застосування протирозсіювальних растрів. За допомогою числового моделювання показано, що простота та ефективність техніки маніпуляції величиною повітряного проміжку нівелюється збільшенням розмірів сканера і вимогами до детектора. Типовий протирозсіювальний растр із коефіцієнтом 12 відсіює розсіяне випромінювання з ефективністю десятиметрового повітряного проміжку, але вимагає для цього більшу на 50 % експозицію і дозове навантаження на пацієнта. Запропонована алгоритмічна компенсація забезпечує характеристики на рівні середніх апаратних засобів без збільшення дозового навантаження і додаткових апаратних вимог.

Бажання зазирнути у Всесвіт і в глибини Людини протягом віків надихає вчених. Практичні хірурги здавна вивчають структуру та співвідношення внутрішніх органів й утворень. Важливість отриманих даних важко переоцінити. Яскравим прикладом є праці видатного вченого, хірурга зі світовим ім’ям, засновника топографічної анатомії Миколи Івановича Пирогова. Вільгельм Конрад Рентген у 1895 р. відкрив короткохвильове електромагнітне випромінювання, відоме як рентгенівські промені. Також існують праці Івана Павловича Пулюя, австро-угорського фізика з Галичини, який вивчав електричні розряди у вакуумних трубках за 10 років до відкриття Рентгена, але подальшим розвитком і патентуванням не займався. Вивчення «рентгенівських тіней» і розвиток обчислювальних технологій зумовили виникнення методу пошарового вивчення внутрішньої будови, запропонованого в 1972 р. Годфрі Хаунсфільдом. Системою реєструються ослаблення опромінення на детекторі та формуються зображення. Візуальна та кількісна оцінка проводиться за шкалою ослаблення рентгенівського опромінення (шкалою Хаунсфільда). Умовно вона розподілена на середину – щільність води, або 0 одиниць Хаунсфільда (HU), та крайні точки: повітря -1000 HU та кісткова тканина +1000 HU. Із розвитком томографічного обладнання до «покрокових» апаратів додали детектори, «кроки» перейшли в «спіраль», значно збільшилися кількість детекторів і час обчислення результатів. На сьогодні КТ-реконструкції дають змогу доопераційно виконати віртуальну фібробронхоскопію, вивчити розгалуження артеріальних стовбурів та особливості венозних судин у зоні оперативного втручання. Доопераційне визначення анатомічних особливостей та індивідуальної структури паренхіми допомагає значно оптимізувати оперативне лікування, що особливо важливо при мініінвазивних торакоскопічних втручаннях. Вивчення особливостей денситометричних змін на тлі лікування дало можливість обґрунтовано встановлювати оптимальні терміни оперативного втручання та прогнозувати наслідки. Передопераційне визначення структури легеневої паренхіми дало змогу підібрати оптимальні заходи запобігання легенево-плевральним ускладненням як інтраопераційно, так і в післяопераційному періоді. Роботи з визначення структури легеневої паренхіми на основі денситометричних змін допомагають автоматизувати скринінг і первинну діагностику легеневих хвороб. Розроблені за договором співпраці з Національним авіаційним університетом автоматизовані системи дають змогу визначати активність специфічного процесу та відсоток ураження легені. Створено програму виявлення COVID-ураження легеневої паренхіми. Завдяки структурно-параметричному синтезу загорткової нейронної мережі можна проаналізувати гістограми легень, отримуючи значно більше інформації від проведеного КТ-дослідження. У практичній діяльності широко розповсюдженим є аналіз КТ-зображень за допомогою DICOM-VIEWER, як безкоштовних програм, так і професійних. Принциповим за сенситометричного аналізу легеневої паренхіми є прецизійне виділення на КТ-зрізах ділянок ураження, без залучення просвіту бронха чи каверни. Потрапляння в зону вимірювання повітроносної структури радикально викривляє результати вимірів, роблячи їх нерепрезентативними. Збільшення кількості замірів денситометричних показників у разі збільшення площі досліджуваної ділянки ураженої легеневої паренхіми на якість отриманого результату не вплинуло. На сьогодні досвід роботи відділу з хворими на COVID-пневмонію продемонстрував можливість контролю перебігу захворювання з огляду на денситометричні зміни. Денситометричний аналіз томограм у разі синдрому плеврального випоту дає змогу доопераційно достовірно визначити транссудат, ексудативні процеси, ускладнення травм органів грудної клітки та згорнутий гемоторакс. Складно переоцінити вплив денситометричного аналізу КТ органів грудної клітки на тактику лікування фтизіатричних пацієнтів. Встановлено значення щільності для різних фаз специфічного запального процесу, що дає можливість об’єктивно визначати показання до оперативного лікування.

У статті запропоновано та побудовано систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій. У даній статті необхідно розробити систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій та розглянути принципи ручної обробки медичних зображень лікарем-діагностом. Для пошуку і локалізації аномалій на томографічних і рентгенівських знімках пропонується система, яка буде складатися з наступних блоків : блок введення інформації про пацієнта; блок обробки медичних зображень, що включає: згорткову нейронну мережу (ЗНМ) для класифікації томографічних і рентгенівських знімків; ЗНМ для визначення залежностей значень просторового фактора від стандартизованих -значень і з наступним розрахунком коефіцієнту загальної просторової автокореляції; ЗНМ для сегментації томографічних і рентгенівських знімків; підсистему ручної обробки медичних зображень, що представлена лікарем-діагностом;блок для встановлення висновку, що включає нейронну мережу (НМ), призначену для порівняння отриманих результатів; блок для класифікації виявлених патологій, що включає НМ; базу даних, як вже існуючих знімків, так і нових, у т.ч. з результатом оброблення; блок підготовки звіту.

У статті запропоновано та побудовано систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій. Дана система включає блоки: введення інформації про пацієнта, обробки медичних зображень, для встановлення висновку, для класифікації виявлених патологій, базу даних, підготовки звіту. У запропонованій системі початковим етапом є отримання томографічних чи рентгенівських знімків, які, далі, поступають до блоків введення інформації про пацієнта і обробки медичних зображень. Інформація про пацієнта в результаті введення потрапляє до бази даних разом із томографічними чи рентгенівськими знімками. У пропонуємій системі розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій існує можливість для лікаря-діагноста самому виділяти підозрілу з його точки зору область і надалі обробити тільки цю область або за допомогою існуючих загорткових нейронних мереж виділити області патологій-новоутворень, або вибрати конкретні алгоритми обробки медичних зображень.

У роботі запропоновано та побудовано систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій. Дана система включає блоки: введення інформації про пацієнта, обробки медичних зображень, для встановлення висновку, для класифікації виявлених патологій, базу даних, підготовки звіту. У статті приділено увагу особливостям розробки згорткової нейронної мережі для класифікації томографічних і рентгенівських знімків в системі розпізнавання, призначеної для пошуку і локалізації патологій. В результаті, було запропоновано згорткову нейронну мережу для класифікації томографічних і рентгенівських знімків в запропонованій системі розпізнавання, призначеної для пошуку і локалізації патологій.

Розглянуто питання візуалізації тривимірних моделей ювенільної ангіофіброми основи черепа людини для задач хірургічного планування видалення пухлини. Проведено аналіз підходів та сучасного програмного забезпечення для отримання медичних об’ємних даних. Визначено основні положення сучасних підходів до візуалізації тривимірних моделей для потреб в медичній галузі. Запропоновано алгоритм візуалізації об’ємних даних для дослідження тканин ювенільної ангіофіброми основи черепа людини в тривимірному просторі. Запропонований алгоритм використовує в якості вихідних даних зображення рентгенівської комп’ютерної томографії та надає можливість проведення характерних для вокселного рендерінгу особливостей візуалізації. Показано, що на основі використання запропонованого алгоритму можливе проведення візуалізації тривимірних даних щодо васкуляризації тканин пухлини.

Високі показники захворюваності серед населення України на туберкульоз потребують флюорографічних обстежень, проте такі профілактичні заходи роблять основний внесок у колективну ефективну дозу. Проблема підвищеного дозового навантаження є особливо актуальною для пацієнтів з високим індексом маси тіла, оскільки отримання якісних рентгенівських знімків із задовільними для діагностичних висновків контрастом та чіткістю вимагає значного підвищення дози опромінення порівняно з обстеженням середнього пацієнта. У статті представлено дослідження можливості зниження дозового навантаження, яке отримує повний пацієнт під час флюорографічного обстеження, із застосуванням методів покращення контрасту зображень — відсіювального растру та цифрової обробки знімків.

To date, pneumonia is one of the most common and severe lung diseases in the world. Early diagnosis of pneumonia is a crucial factor in its successful treatment. Over the last decade, automated analysis of chest X-rays has been recognized as an effective tool for diagnosing lung diseases. However, the problem of implementing and configuring methods that explain the results of digital diagnosis remains acute. Convolutional neural networks now show state-of-the-art results in the identification of diseases on X-ray. Therefore, to address the urgent issue in digital diagnosis, we propose information technology for visual analysis of X-ray images to explain the results of diagnosing pneumonia. The technology comprises a classification model based on a convolutional neural network to remove mild features of early viral pneumonia and a modified method of different localization to interpret the classification results. The method of interpretation is to apply weighted gradients to class activation maps. It distinguishes lung masks in the X-ray image and imposes thermal maps with a color gradient from blue to bright red. The red color corresponds to the most probable location of the pneumonia features in the radiograph. Such a modification provides excellent localization of abnormal areas on radiographs, removing the mild target features of early pneumonia. It should be noted that our model based on the convolutional network surpassed other classifiers in precision (98.5%) but slightly conceded in classification accuracy (96.1%) and recall (93.6%). Also, it shows relatively low false positive and false negative rates, with 1.4% and 6.4%, respectively. Overall, according to computational experiments, the proposed information technology can be an effective tool for instant diagnosis in the first suspicion of pneumonia.

При сегментації кореневих каналів на рентгенівських зображеннях головною умовою є коректний вибір граничного значення бінаризації. Для цього необхідно проводити гістограмний аналіз отриманих зображень та в процесі після-обробки виконувати фільтрацію локальних артефактів за допомогою морфологічних операцій.

У даній роботі досліджено алгоритм зворотного проеціювання з фільтрацією, який відноситься до аналітичних алгоритмів реконструкцій зображень і оснований на перетвореннях Фур'є. При цитуванні документа, використовуйте посилання http://essuir.sumdu.edu.ua/handle/123456789/4081

Дисертаційна робота присвячена розв’язанню актуальної науково-прикладної задачі автоматизації процесу діагностування вірусного пневмонічного запалення за медичними зображеннями легень через розроблення інформаційної технології раннього діагностування пневмонії за індивідуальним підбором параметрів моделі класифікації медичних зображень легень. Застосування розробленої інформаційної технології раннього діагностування пневмонії в клінічній практиці дає змогу підвищити точність та надійність ідентифікації пневмонії на ранніх стадіях за медичними зображеннями грудної клітини людини. Об’єктом дослідження є процес діагностування пневмонії за медичними зображеннями грудної клітини людини. Предметом дослідження є моделі, методи та засоби інформаційної технології для раннього діагностування пневмонії за медичними зображеннями грудної клітини людини. У дисертаційній роботі визначено актуальність застосування інформаційних технологій у галузі цифрового діагностування захворювань легень за медичними зображеннями грудної клітини. На основі проведено аналізу методів та підходів до виявлення пневмонії встановлено, що нейромережеві моделі є найкращим рішенням для розроблення інформаційної технології раннього діагностування. Досліджено методи для налаштування нейромережевої моделі та підходи до пояснення та інтерпретування результатів ідентифікації захворювання легень. За аналізом сучасних підходів, методів та інформаційних технологій для діагностування захворювання легень на ранніх стадіях за медичними зображеннями грудної клітини обґрунтовано потребу в створенні інформаційної технології раннього діагностування пневмонії.
The present thesis is devoted to solving the topical scientific and applied problem of automating the process of diagnosing viral pneumonia by medical images of the lungs through the development of information technology for early diagnosis of pneumonia by the individual selection of parameters of the classification model by medical images of the lungs. Applying the developed information technology for the early diagnosis of pneumonia in clinical practice by medical images of the human chest increases the accuracy and reliability of pneumonia identification in the early stages