CC BY
60
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 2 - P. 113-120
УДК: 612.171.1 DOI: 10.24411/1609-2163-2018-15992
АЛГОРИТМ ЛОКАЛИЗАЦИИ КАТЕТЕРА НА ДАННЫХ ЭХОКАРДИОГРАФИИ С ПОМОЩЬЮ МЕТОДА ПОИСКА МАКСИМАЛЬНО УСТОЙЧИВЫХ ЭКСТРЕМАЛЬНЫХ ОБЛАСТЕЙ И АНАЛИЗА
ФОРМЫ
В.В. ДАНИЛОВ, И.П. СКИРНЕВСКИЙ, О.М. ГЕРГЕТ
Национальный исследовательский Томский политехнический университет, пр-т Ленина, д. 30, г. Томск, 634050, Россия
Аннотация. Цель исследования - создание механизма автоматической локализации, трекинга и визуализации медицинского инструмента, в частности катетера, при проведении эндоваскулярных вмешательств на работающем сердце под контролем эхокардиографии.
Материалы и методы исследования. В качестве входных данных исследования использовалась трехмерная эпикардиальная эхокардиография, полученная с помощью эхокардиографа Philips iE33 с датчиком X7-2t. Областью исследования являлось функционирующее свиное сердце с введённым в левый желудочек катетером. Все вычисления проводились в программном продукте MATLAB 2017а. Входные данные эхокардиографии обрабатывались, как совокупность двумерных изображений в независимой манере. В качестве основного блока алгоритма трекинга объекта на двумерных данных были использованы детектор поиска максимально устойчивых экстремальных регионов и фильтрация на основе анализа формы.
Результаты и их обсуждение. В рамках исследования был разработан подход, позволяющий в автоматизированном режиме определить регион катетера на проекциях трехмерной эхокардиогра-фии. В качестве входных данных может быть использован двумерный сигнал. При типовых входных данных алгоритм требует первоначальной настройки параметров MSER детектора и задания границ эксцентриситета для области катетера. Узким местом является фильтрация ложных регионов на основе эксцентриситета, так как требует предварительных экспериментов. Однако, при корректно заданных параметрах, алгоритм обрабатывает один кадр примерно за 8 мс, что позволяет использовать его в режиме реального времени при использовании двумерной визуализации. Точность детектирования катетера на выборке из 1666 двумерных изображений составила 93%. На выходе алгоритм формирует бинарную маску, описывающую регион катетера. В свою очередь, ошибка диаметра сечения катетера составляет 5.3%. В рамках данного исследования катетер располагался под углом 12 градусов относительно оси OZ трехмерного эхо-окна.
Заключение. Предложенный гибридный подход, основанный на комбинации алгоритмов, позволяет с достаточно высокой точностью локализовать и в последующем отслеживать медицинский инструмент на данных эхокардиографии. Важной чертой данного подхода является его масштабируемость и применение на данных других медицинских модальностей.
Ключевые слова: эхокардиография, УЗИ, сердце, стабильные экстремальные регионы, анализ формы, эксцентриситет, 3D реконструкция.
Введение. Ежегодное усложнение медицинских устройств с целью увеличения точности диагностики заболеваний сердца обусловлено не только развитием медицинской техники, но и количеством людей, продолжающих страдать от сердечно сосудистых заболеваний (ССЗ). Согласно [1] более 25 миллионов людей по всему миру имеют кардиологические осложнения различной степени тяжести. При лечении ССЗ очевидными преимуществами обладают средства не инвазивной диагностики и малоинвазивной хирургии. В работе [2] авторы проводят исследования тех областей сердечно-
сосудистой хирургии, в которых минимально инвазивные вмешательства конкурируют с классическими операциями на открытом сердце, отмечая, что вмешательства без вскрытия грудной клетки становятся все более популярными, безопасными и эффективными. Несмотря на улучшение и в тоже время усложнение медицинских инструментов для выполнения операций на «закрытом» сердце, спектр доступных манипуляций внутри работающего сердца все еще остается не полным и не покрывающим все сердечные сердечнососудистые заболевания и отклонения. Первой
причиной тому являются технологические ограничения, связанные с разработкой катетеров и других устройств для проведения минимально инвазивных интервенций. Вторая причина -средства визуализации. Когда речь идет о сложных манипуляциях хирургу необходимо получать достаточно точное представление о положение инструмента относительно анатомических структур органа. На данный момент такие техники, как ангиография и эхокардио-графия являются наиболее популярными для визуализации катетеров и других инструментов при проведении минимально инвазивных вмешательств. Однако, ангиография не дает полного пространственного представления о положении катетера и практически не визуализирует мягкие ткани за рядом исключений с применением контрастного вещества. В работе [3] авторы освещают метод динамической визуализации корня аорты за счет средств эхо-кардиографии и указывают на еще один недостаток ангиографии - контрастное вещество, которое оказывает влияние на сердце. Эхокар-диография классически используется при таких распространенных минимально инвазивных вмешательствах, как лечение регургитации митрального клапана и абляции анатомических структур сердца [4-6]. Однако, выходные данные эхокардиографии сильно зашумлены и имеют низкое качество. Часто, катетер визуализируется недостаточно хорошо для того, чтобы определить точное положение инструмента внутри камер сердца. Таким образом, задача динамической визуализации инструмента при проведении минимально инвазив-ных операций все еще остается актуальной.
В работе рассматривается один из вариантов решения проблемы автоматического детектирования и двумерной визуализации катера на основании данных эхокардиографии. На данной стадии исследования обрабатываются двумерные данные. Следует отметить, что в архитектуре системы закладывается возможность перехода на трехмерный формат. Более того, входными данными является трехмерная эхокардиография, которая обрабатывается, как набор двумерных изображений (слайсов).
Полученные в работе данные в перспективе позволят получить расстояния между тканями сердца и дистальным концом катетера в физических величинах. Полученные результаты могут быть использованы при создании комплекса динамической визуализации кате-
тера и других инструментов, используемых при проведении минимально инвазивных операций. В частности, данный параметр может выступать, как обратная связь для системы доставки медицинского инструмента, а также для робот-ассистированных систем при проведении минимально инвазивных интервенций.
Для решения сформулированных задач предлагается использование программного модуля обработки данных эхокардиографии, встраиваемого между аппаратной часть (аппаратом УЗИ) и программным обеспечением для визуализации. Функции модуля можно разделить на три ключевых блока:
1. Блок получения данных:
a. Сбор данных;
b. Чтение данных;
2. Блок обработки данных:
a. Сегментация области вмешательства;
b. Сегментация катетера;
3. Блок нанесение разметки:
a. Получение маски катетера;
b. Наложение маски на выходное изображение.
Данная статья посвящена сегментации катетера на основании метода поиска максимально стабильных экстремальных регионов (от англ. maximally stable extremal regions). Далее в тексте статьи будет использоваться аббревиатура MSER для простоты изложения.
Материалы и методы исследования. Исходными данными является эпикардиальная трёхмерная эхокардиография. В качестве исследуемой области были использованы три in-vivo свиных сердца с введённым катетером. Выбор был сделан в пользу свиных сердец, так как расположение отелов сердца и их форма не играла критической роли для решения задачи детектирования катетера. Для получения набора слай-сов были использованы: эхокардиограф Philips iE33, датчик X7-2t и программное обеспечение PMS5.1 Philips Healthcare Ultrasound software. В процессе сбора информации было получено 9 наборов данных, каждый из которых состоит из 15-17 таймфреймов. В свою очередь один 3D таймфрейм содержит по 208 слайсов.
Данные были получены в Бостонском детском госпитале, где экспериментальные протоколы для тестирования оборудования и медицинских препаратов на животных были одобрены Комитетом по уходу и использованию животных (Institutional Animal Care and Use Committee). Все животные получали и получают
гуманный уход в соответствии с Руководством 1996 года по уходу и использованию лабораторных животных [7]. Данные были обработаны на стационарном компьютере со следующими параметрами: Intel Core i7-4790K 4.0GHz CPU, NVIDIA GeForce 960 GT и 16 GB RAM. Все алгоритмы были реализованы и протестированы на программном обеспечении MATLAB 2017a. Для расчета и оценки статистических характеристик использовался программный продукт IBM SPSS Statistics 23.
Методы обработки и визуализации. Общая структура алгоритма приведена на рис. 1, где ключевые фазы выделены различными цветами. Этапы 1-3 являются подготовительными. Основная часть исследования реализована на 4-ом и 5-ом этапах.
Рис. 1. Основные этапы алгоритма
Рис. 2. Бинаризированное изображение (а) и flood-fill сегментация (б)
Первый этап заключается в чтении и преобразовании данных к нужному формату. Последующий шаг относится к автоматической бинаризации изображения с помощью алгоритма Kittler-Illingworth, определяющего оптимальный порог бинаризации. После этапа бинаризации были выполнены морфологические операции, которые закрывали «дыры» внутри регионов и выравнивали контуры. Финальный этап извлечения максимально стабильных экстремальных регионов и отсечения ложных регионов по эксцентриситету позволял получить выходные маски для регионов катетера.
Предварительная обработка данных.
Первым шагом этапа предварительной обработки является бинаризация входного изображения. Как отмечалось выше бинаризация выполнялась методом поиска порога KittlerIllingworth, представленным в работе [8]. Данный подход основан на автоматическом поиске минимальной ошибки. Результат бинаризации представлен на рис. 2а.
После бинаризация на изображении наблюдается классическая картина, при которой регионы имеют внутренние полости, а границы регионов искажены. Для решения описанных проблем были применены морфологические методы: эрозия, дилатация и flood-fill сегментация. Результат применения морфологических преобразований представлен на рис. 2б. После всех вычислений каждому из регионов присваивается номер и формируется набор соответствующих характеристик, в том числе значение эксцентриситета, которые будут использованы на последующих этапах алгоритма.
Эксцентриситет. Изначально понятие орбитального эксцентриситета вводилось для астрономических объектов, и эта метрика являлась признаком, характеризующим величину, на которую орбита объекта вокруг другого тела отклоняется от круга. Несмотря на то, что эксцентриситет классически используется при расчете траектории движения планет, метрика неплохо зарекомендовала себе и в области обработки изображений, как одна из характеристик объекта эллиптической формы. Для представленного исследования, данная характеристика является одной из ключевых, так как катетер на двумерных проекциях эхокардиогра-фии представляет из себя либо эллипс, либо круг (рис. 3). Причем, в зависимости от выбранной оси, форма катетера может изменяться от почти идеального круга, до вытянутого эллипса. Математически эксцентриситет рассчитывается следующим образом:
где a и b - длины малой и большой полуоси соответственно. Исходя из выражения 1, эксцентриситет варьируется от 0 до 1, и равен 0 для идеального круга.
Таким образом, зная диапазон изменения величины эксцентриситета для выборки, можно значительно сократить число ложных регионов.
Рис. 3. Варианты различных форм катетера по длинной оси (а) и короткой оси (б)
MSER детектор. Детектор максимально устойчивых экстремальных областей (MSER детектор) - это детектор характеристик региона, основанный на методе поиска BLOB (Binary Large Object) объектов [9]. Основная идея метода понятна из названия и состоит в поиске ко-вариантных или «стабильных» регионов. К ключевым особенностям MSER алгоритма можно отнести:
1. Инвариантность при аффинных преобразованиях [10];
2. Ковариация к смежному непрерывному преобразованию [9,11].
3. Устойчивость к масштабированию [12];
4. Сложность алгоритма не превышает £?(rt), где п - число пикселей изображения [11].
Для решения задач подобного рода существуют и другие детекторы, одним из самых популярных является SIFT (Scale-Invariant Feature Transform) [13-15]. Однако, в данной работе использование MSER подхода является достаточным для получения приемлемых результатов, что было выявлено эмпирически. В ходе исследования мы использовались следующие параметры для MSER детектора: максимальный диапазон изменения площади варьируется от 0.15 до 0.25, порог варьируется от 1 до 4%.
Удаление ложных регионов. В рамках одного таймфрейма на проекциях по короткой оси (плоскость XY, при условии, что сигнал распространяется вдоль оси OZ) были оценены параметры площади и эксцентриситета. Рис. 4 отражает границы распределения для этих параметров. Исходя из данных выборки (208 слайсов) средняя площадь региона катетера составляет 102±28 пикселей, а среднее значение эксцентриситета 0.62±0.14, что свидетельствует о том, что на аксиальных проекциях (плоскость XY проекциях) форма катетера
близка к эллиптической и слабо изменяется на протяжении всего таймфрейма.
Ключевым шагом алгоритма, после получения стабильных регионов, является отсечение ложных областей, не являющихся регионами катетера на основании полученных характеристик. Пороговая фильтрация по значению эксцентриситета области позволяет реализовать данную задачу. Стоит отметить, что на ранних стадиях исследования дополнительной характеристикой региона служила площадь. Однако, как показано на рис. 4 данная характеристика имеет значительное число выбросов и широкий размах для регионов катетера, что в ряде случаев может привести к ошибочным результатам.
Рис. 4. Оценка параметров площади и эксцентриситета для региона катетера
Таким образом, детектирование с помощью эксцентриситета достаточно точно выделяет регион интереса. В данном случае ошибка второго рода при детектировании катетера с помощью эксцентриситета составила примерно 6%.
Результаты и их обсуждение. После этапа предварительной обработки данных, всё изображение было разбито на серию не связанных между собой регионов. В зависимости от конкретного слайса, в среднем было получено от 9 до 14 бинарных масок, одна из которых и являлась регионом катетера. На рис. 5 приведен пример детектирования 13 регионов с присвоением порядковых номеров. Забегая вперед отметим, что искомый регион в данном случае является регион под номером 7, он выделен кругом. Данный графический элемент добавлен для наглядности и не формируется автоматически.
После применения ЫБЕЯ детектора с параметрами, приведенными в выше, была получена выборка из потенциальных регионов катетера. Очевидно, что значения параметров ЫБЕЯ детектора играют ключевую роль в определении региона катетера, как устойчивого региона. В
10иККЛЬ ОБ ОТШ МЕБТСЛЬ ТЕСЫК0ШЫЕ8 - 2018 - V. 25, № 2 - Р. 113-120
нашем случае для выбора оптимальных параметров использована выборка из 986 регионов катетера, где средняя интенсивность равна 109, а стандартное отклонение по интенсивности равно 30. Таким образом, подбор параметров ЫБЕЯ детектора не является универсальным для любых выборок и зависит от конкретной задачи и характеристик области интереса.
Рис. 5. Регионы слайса с присвоенным порядковым номером
Рис. 6. Регионы после применения МББК. детектора
вписанные в эллипс (а), рассчитанный эксцентриситет для отсортированных регионов (б), искомый регион катетера (в)
Для приведенного выше примера с 13 регионами, использование алгоритма ШБЕЯ позволило сократить выборку до 3 областей (рис. 6а). Схожее сокращение наблюдается на всей выборке. В среднем, после применения детектора количество ложных регионов сокращается на 70%. При этом незначительная часть регионов удаляется при помощи корректировки по площади, которая отсекает регионы с
площадью, превышающей среднее значение по выборке в три и более раза. На рис. 5 данными регионами являются регионы 2 и 9.
Фильтрация регионов по эксцентриситету. Несмотря на то, что ШБЕЯ алгоритм позволяет в значительной степени сократить выборку, однако в большинстве случаев она содержит более, чем один регион. Для поиска региона катетера была проведена фильтрация по значению эксцентриситета. Эмпирически выявлены границы эксцентриситета для имеющейся выборки, которые лежат в интервале от 0.35 до 0.90. На рис. 6б приведен пример маркировки эксцентриситета для найденных регионов. Очевидно, что регионы 2 и 3 не попадают в приведенный выше диапазон и являются ложными. На рисунке 6в цветом выделена область, соответствующая региону катетера на проекции трехмерной эхокардиографии на плоскость ХУ.
Оценка точности. Результаты использования предлагаемого подхода для поиска региона катетера приведены в табл. Как видно из первой части таблицы, в процессе вычислений была также определена площадь катетера, на основе метода замены маски региона на эллипс с эквивалентным значением момента второго порядка. Данное решение было принято из-за искажений, которые возникают при проецировании катетера, расположенного под углом к плоскости ХУ.
Для оценки точности алгоритма определения диаметра катетера результаты, полученные в исследовании, сравнивались с эталонным физическим размером катетера. Катетер, используемый при выполнении медицинских процедур, показан на рис. 7. Его диаметр составляет 7 Рг или 2.333 мм.
Среднее значение толщины катетера, вычисленное с помощью алгоритма, составляет 2.46 мм, что соответствует итоговой ошибке примерно равной 5.5%. Подобная ошибка не является критичной и не вносит искажений на выходных данных.
В качестве статистических методов были использованы метод Колмогорова-Смирнова (оценка нормальности распределения) и и-критерий Манна-Уитни. Согласно критерия Колмогорова-Смирнова выборка, состоящая из 52 элементов (измеренных диаметров), оказалась не нормальной. В связи с последним, применение параметрических методов невозможно. Результат непараметрического теста (критерий Манна-Уитни) при 1% уровне значимо-
ТОиИКЛЬ ОБ ОТШ МЕБТСЛЬ ТЕСЫКОШЫЕ8 - 2018 - V. 25, № 2 - Р. 113-120
сти оказался следующим: Н=0 и р=0.0113. Данный результат говорит о том, что нулевая гипотеза об отсутствии различий между выборками (выборка с контрольный диаметром и измеренным) принимается.
Таблица
Результаты алгоритма поиска области интереса на основе М8ЕЯ детектора
Оценка диаметра катетера
Эталонное значение Измеренное значение
Среднее значение, мм 2.333 2.462
СКО, мм 0.00 0.31
Ошибка, % 0.00 5.56
Оценка ошибки обнаружения области катетера
Ошибка Эффективность
ШЕЯ ШЕЯ + эксцентриситет ШЕЯ ИЗЕЯ + эксцентриситет
Среднее±СКО, % 13.3±11.5 6.8±6.6 86.7±11.5 92.8±6.6
Рис. 7. Внешний вид используемого катетера
В соответствии с результатами исследования, комбинация ШБЕЯ алгоритма с пороговой фильтрацией по значению эксцентриситета улучает эффективность метода, что позволяет игнорировать ложные регионы с минимальной погрешностью. Эффективность детектора поиска стабильных регионов с учетом/ без учета эксцентриситета составляет соответственно 92.8±6.6% и 86.7±11.5%.
Оценка времени обработки. Для оценки времени работы алгоритма был использован стационарный компьютер, описанный в разделе 2.1. Для измерения времени алгоритма не было проведено изоляции данного процесса от других процедур, выполняющихся в операционной системе, а также не было выделено отдельного потока для выполнения тестирова-
ния. На основании 250 итераций было оценено среднее значение и стандартное отклонение времени выполнения алгоритма. В результате, время выполнения алгоритма для одного слай-са (формат хранения данных: 8 бит, размер: 176*176 пикселей) составляет 8±0.57 мс.
Результаты исследования были адаптированы к лабораторным условиям и решениям ограниченного круга задач. Так, детектирование катетера по короткой оси, где его проекция принимает форму близкую к круглой, не является информативной в клинической практике. Однако, предлагаемый масштабируем и закладывает базовую последовательность алгоритмов детектирования объекта на данных эхокардио-графии. Набор характеристик для фильтрации регионов может быть дополнен такими величинами, как площадь, среднее значение интенсивности, среднеквадратическое отклонение интенсивности искомого региона и варьируется в зависимости от исследования и круга задач, которые предстоит решить.
Подбор параметров ШБЕЯ детектора осуществляется в соответствии с условием устойчивости искомого регион, в соответствии с концепцией подхода поиска наиболее устойчивых экстремальных регионов. Ограничением также является эмпирически выявленные значения границ эксцентриситета для элиминации лишних регионов. Очевидно, что все указанные величины полностью зависят от набора входных данных. Однако, если данные являются типовыми то, подобный метод дает устойчивые результаты. Важной положительной чертой алгоритма является время работы, которое соответствует 8 мс для 8-битного изображения размером 176*176 пикселей. Более того, предлагаемый подход является автоматизированным и требует только первой настройки параметров, после чего все вычисления выполняются автоматически.
Заключение. В статье представлен подход детектирования медицинского инструмента при проведения минимально инвазивных вмешательств под контролем эхокардиогра-фии. В основе предлагаемого метода лежит алгоритм поиска наиболее стабильных регионов
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 2 - P. 113-120
(ЫБЕЯ детектор) в совокупности с введением дополнительных ограничений по эксцентриситету региона. Данный метод позволяет детек-
тировать регионы эллиптической формы с ошибкой равной 6.8%.
Данная работа выполнена при поддержке Министерства Образования и Науки РФ, а также государственного задания «Наука» №12.8205.2017/БЧ. Экспериментальные расчёты выполнены в Томском Политехническом Университете в рамках программы повышения конкурентоспособности
ТПУ.
ALGORITHM FOR CATHETER LOCALIZATION ON ECHOCARDIOGRAPHY DATA BASED ON MAXIMALLY STABLE EXTREMAL REGIONS AND SHAPE ANALYSIS
V.V. DANILOV, I.P. SKIRNEVSKIY, O.M. GERGET Tomsk Polytechnic University, Lenin Avenue, 30, Tomsk, 634050, Russia
Abstract. Research purpose is the create a mechanism for automatic localization, tracking and visualization of a medical instrument, in particular a catheter, for performing endovascular interventions on the beating heart under the control of echocardiography.
Materials and Methods. As input data, the study used three-dimensional epicardial echocardiography obtained by Philips iE33 ultrasound machine with X7-2t transducer. The area of the study was a functioning porcine heart with a catheter inserted into the left ventricle. All calculations were carried out using MATLAB 2017a. The input data of echocardiography were processed as a set of two-dimensional images in an independent manner. As the main block of the object-tracking algorithm on two-dimensional data, maximally stable extremal regions detector and filtering based on shape analysis were used.
Results. Within the framework of the research, developed approach allows automatically to determining the region of the catheter on the projections of three-dimensional echocardiography. A two-dimensional signal can be used as the input data. With typical input data, the algorithm requires initial setting of the MSER detector parameters and tuning eccentricity boundaries of the catheter region. The bottleneck is the elimination of false regions based on eccentricity, since it requires preliminary experiments. However, the algorithm with correctly set parameters processes one slice approximately for 8 ms, which allows to using it in real time in two-dimensional visualization. The accuracy of the catheter detection on a sample of 1666 two-dimensional images is 93%. At the output, the algorithm creates a binary mask describing the region of the catheter. In its turn, the error of the catheter diameter makes up 5.3%. In the framework of this study, the catheter was placed at the angle of 12 degrees with respect to the OZ axis of the three-dimensional echo window.
Conclusion. The proposed hybrid approach, based on a combination of algorithms, allows to localizing and subsequently tracking the medical instrument on the echocardiography data with sufficient accuracy. An important feature of this approach is its scalability and application to the data of other medical modalities.
Keywords: echocardiography, cardiac ultrasound, heart, MSER, shape-analysis, eccentricity, 3D reconstruction.
Литература
1. Al-khafaji S.L. Spectral-Spatial Scale Invariant Feature Transform for Hyperspectral Images // IEEE Trans. Image Process. 2017. P. 1-1.
2. Baranowski J. Echo-guided presentation of the aortic valve minimises contrast exposure in transcatheter valve recipients // Catheter. Cardiovasc. Interv. 2011. Vol. 77, № 2. P. 272-275.
3. Fattouch K. Papillary muscle relocation and mitral annuloplasty in ischemic mitral valve regurgitation: Midterm results // J. Thorac. Cardiovasc. Surg. 2014. Vol. 148, № 5. P. 1947-1950.
4. Forssén P.E., Lowe D.G. Shape descriptors for maximally stable extremal regions // Proceedings of
References
1. Al-khafaji SL. Spectral-Spatial Scale Invariant Feature Transform for Hyperspectral Images. IEEE Trans. Image Process. 2017.
2. Baranowski J. Echo-guided presentation of the aortic valve minimises contrast exposure in transcatheter valve recipients. Catheter. Cardiovasc. Interv. 2011;77(2):272-5.
3. Fattouch K. Papillary muscle relocation and mitral annuloplasty in ischemic mitral valve regurgitation: Midterm results. J. Thorac. Cardiovasc. Surg. 2014;148(5):1947-50.
4. Forssén PE, Lowe DG. Shape descriptors for maximally stable extremal regions. Proceedings of
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 2 - P. 113-120
the IEEE International Conference on Computer Vision. 2007.
5. He Y. Improving Retinal Image Quality Using Registration with an SIFT Algorithm in Quasi-Confocal Line Scanning Ophthalmoscope // Advances in experimental medicine and biology. 2017. Vol. 977. P. 183-190.
6. Iribarne A. The golden age of minimally invasive cardiothoracic surgery: current and future perspectives // Future Cardiol. 2011. Vol. 7, № 3. P. 333-346.
7. Kittler J., Illingworth J. Minimum error thresholding // Pattern Recognit. 1986. Vol. 19, № 1. P. 41-47.
8. Matas J. Robust wide-baseline stereo from maximally stable extremal regions // Image and Vision Computing. 2004. Vol. 22, № 10 SPEC. ISS. P. 761-767.
9. Mikolajczyk K. A Comparison of Affine Region Detectors // Int. J. Comput. Vis. 2005. Vol. 65, № 1-2. P. 43-72.
the IEEE International Conference on Computer Vision. 2007.
5. He Y. Improving Retinal Image Quality Using Registration with an SIFT Algorithm in Quasi-Confocal Line Scanning Ophthalmoscope. Advances in experimental medicine and biology. 2017;977:183-90.
6. Iribarne A. The golden age of minimally invasive cardiothoracic surgery: current and future perspectives. Future Cardiol. 2011;7(3):333-46.
7. Kittler J, Illingworth J. Minimum error thresholding. Pattern Recognit. 1986;19(1):41-7.
8. Matas J. Robust wide-baseline stereo from maximally stable extremal regions. Image and Vision Computing. 2004;22(10 SPEC. ISS.): 761-7.
9. Mikolajczyk K. A Comparison of Affine Region Detectors. Int. J. Comput. Vis. 2005;65(1-2):43-72.
10. Nistér D., Stewénius H. Linear time maximally stable extremal regions // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2008. Vol. 5303 LNCS, № PART 2. P. 183-196.
11. Ponikowski P. Heart failure: preventing disease and death worldwide // ESC Hear. Fail. 2014. Vol. 1, № 1. P. 4-25.
10. Nistér D, Stewénius H. Linear time maximally stable extremal regions. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2008;5303:PART 2:183-96.
11. Ponikowski P. Heart failure: preventing disease and death worldwide. ESC Hear. Fail. 2014;1(1):4-25.
12. Wang G., Wang J. SIFT Based Vein Recognition Models: Analysis and Improvement // Comput. Math. Methods Med. 2017. Vol. 2017. P. 1-14.
13. Yan L. Ultrasound-Guided Intratumoral Radiofrequency Ablation Coagulation to Facilitate Meningioma Resection: Preliminary Experience // J. Ultrasound Med. 2017.
12. Wang G, Wang J. SIFT Based Vein Recognition Models: Analysis and Improvement. Comput. Math. Methods Med. 2017;2017:1-14.
13. Yan L. Ultrasound-Guided Intratumoral Radiofrequency Ablation Coagulation to Facilitate Meningioma Resection: Preliminary Experience. J. Ultrasound Med. 2017.
14. Yoo J.S. Mitral durability after robotic mitral valve repair: Analysis of 200 consecutive mitral regurgitation repairs // J. Thorac. Cardiovasc. Surg. 2014. Vol. 148, № 6. P. 2773-2779.
14. Yoo JS. Mitral durability after robotic mitral valve repair: Analysis of 200 consecutive mitral regurgitation repairs. J. Thorac. Cardiovasc. Surg. 2014;148(6):2773-9.
15. Yoo J.S. Mitral durability after robotic mitral valve repair: Analysis of 200 consecutive mitral regurgitation repairs // J. Thorac. Cardiovasc. Surg. 2014. Vol. 148, № 6. P. 2773-2779.
15. Yoo JS. Mitral durability after robotic mitral valve repair: Analysis of 200 consecutive mitral regurgitation repairs. J. Thorac. Cardiovasc. Surg. 2014;148(6):2773-9.
