CC BY
31
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 3 - P. 12-19
УДК: 616-093 DOI: 10.12737/article_59c49c18826488.20161114
СЕГМЕНТАЦИЯ МИКРОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ МОКРОТЫ, ОКРАШЕННОЙ ПО МЕТОДУ ЦИЛЯ-НИЛЬСЕНА, С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ
СЕТЕЙ
А.Н. НАРКЕВИЧ, К.А. ВИНОГРАДОВ, Н.М. КОРЕЦКАЯ, В.О. СОБОЛЕВА
ФГБОУВО «Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого» Минздрава России, ул. Партизана Железняка, д.1, г. Красноярск, Красноярский край, 660022, Россия
Аннотация. Целью исследования явилась разработка алгоритма предобработки и сегментации цифрового изображения микроскопического препарата мокроты, окрашенной по методу Циля-Нильсена. Для сегментации изображения предложено использовать экспериментально подобранные стандартные для каждого изображения границы значений пикселей в цветовой модели HSV. В процессе исследования установлено, что часть граничных значений имеет универсальный характер и не изменяются в зависимости от изображения, а такие параметры как нижние границы H и S являются индивидуальными для каждого изображения. Предложено для подбора данных параметров использовать математический аппарат искусственных многослойных нейронных сетей. Результаты работы обученных нейронных сетей показали минимальные отличия подобранных нейронными сетями граничных значений от подобранных граничных значений в ручном режиме человеком под контролем глаза. По результатам проведенного исследования предложены алгоритмы предобработки и сегментации изображения, а также приведена блок-схема их работы. Предложенные алгоритмы предобработки и сегментации изображения с использованием нейронных сетей могут быть использованы для дальнейшей разработки моделей идентификации кислотоустойчивых микобактерий и изучения их характеристик, что может применяться при разработке диагностических систем для автоматизированной бактериоскопической диагностики туберкулеза.
Ключевые слова: медицинские изображения, сегментация изображений, автоматизированная обработка, бактериоскопическая диагностика, туберкулез легких.
SEGMENTATION OF MICROSCOPIC IMAGES OF SPUTUM COLORED BY THE ZIEHL-NEELSEN METHOD WITH THE USE OF ARTIFICIAL NEURAL NETWORKS
A.N. NARKEVICH, K.A. VINOGRADOV, N.M.KORETSKAYA, V.O. SOBOLEVA
Krasnoyarsk State Voynovo-Yasenetsky Medical University Partizan Zheleznyak str., 1, Krasnoyarsk, Krasnoyarsk region, 660022, Russia
Abstract. The research purpose was to study the development of an algorithm for preprocessing and segmentation of a digital image of a microscopic sputum preparation stained using the Ziehl-Neelsen method. For image segmentation, it is suggested to use the experimentally selected standard for each image of the pixel values in the HSV color model. During the research it was found that some of the boundary values are universal and do not change depending on the image and such parameters as the lower limits of H and S are individual for each image. The authors proposed to use the artificial multilayer neural networks to select these parameters. The results of the trained neural networks showed minimal differences selected neural networks of the boundary values of the selected limit values in manual mode under the control of a person's eyes. Based on the study results the algorithms for preprocessing and image segmentation are proposed and a block diagram of their operation is given. The proposed algorithms for preprocessing and image segmentation using neural networks can be used to further develop models for the identification of acid-fast bacilli and to study their characteristics which can be used in developing diagnostic systems for automated bacte-rioscopic diagnosis of tuberculosis.
Key words: medical images, image segmentation, automated processing, bacterioscopic diagnostics, pulmonary tuberculosis.
Процесс диагностики большого числа заболеваний включает использование микроскопической техники. С помощью микроскопа диагностируются онкологические, эндокринные или инфекционные заболевания [4,7,11]. Одним из заболеваний, при диагностики которого применяется микроскопия, является туберкулез легких. Качество микробиологической диагностики туберкулеза в клинико-диагностических лабораториях общей лечебной сети остается не на должном уровне. Это связано в первую очередь с довольно рутинной методикой просмотра микроскопических препаратов, согласно которой необходимо на одном препарате просмотреть большое число полей зрения. Во-вторых, с тем, что общая укомплектованность кадрами клинико-диагностических лабораторий в учреждениях общей лечебной сети составляет 63%, аврача-ми-бактериологами - чуть более 50% [8]. Это приводит к тому, что при проведении бакте-риоскопической диагностики туберкулеза возникает большое число ошибок [3] и учреждения общей лечебной сети постепенно перестают осуществлять бактериоскопическую диагностику. В 2014 году доля больных туберкулезом, выявленных данным методом от впервые выявленных бактериовыделителей, составила лишь 0,23% [1].
Использование автоматизированного анализа цифровых микроскопических изображений препаратов мокроты, окрашенной по методу Циля-Нильсена, позволяет свести к минимуму перечисленные выше недостатки. Как правило, процесс автоматизированного анализа изображений представляет собой несколько этапов: предобработка или преобразование изображения, его сегментация и идентификация или распознавание объектов, находящихся на изображении [2,5]. Основной целью предобработки или преобразования изображения является приведение изображения к единому стандартному первоначальному виду. В последующем изображение сегментируется для исключения тех участков изображения, которые не имеют ценности для дальнейшего анализа. В заключении производится идентификация оставшихся после сегментации частей изображения [6,10]. Таким образом, первым этапом ре-
шения задачи автоматизированной бактерио-скопической диагностики туберкулеза является разработка алгоритма предобработки и сегментации изображения для изучения объектов на предмет их возможной автоматической идентификации.
Цель исследования - разработка алгоритма предобработки и сегментации цифрового изображения микроскопического препарата мокроты, окрашенной по методу Циля-Нильсена.
Материалы и методы исследования. В
качестве материала исследования использовались 450 цифровых изображений, полученных при микроскопии 10 мазков мокроты, окрашенной по методу Циля-Нильсена. Для приготовления мазков использовалась мокрота пациентов, больных туберкулезом легких. Обработка мокроты методом Циля-Нильсена окрашивает кислотоустойчивые микобактерии в цвета красного оттенка, а иные элементы, имеющиеся в мокроте - в цвета синего оттенка. В последующем осуществлялась микроскопия приготовленных мазков с использованием три окулярного микроскопа Микромед 1 вар. 320 при увеличении 10*60 с установленной цифровой камерой ТоырСатиСМОБ01300КРАс разрешением 0,3MP. На каждом препарате осуществлялась съемка 45 полей зрения. Каждое изображение имело разрешение 572*422 пикселей. Несмотря на то, что методом Циля-Нильсена кислотоустойчивые микобактерии окрашиваются в цвета красного оттенка,а иные элементы мокроты - в цвета синего оттенка, данная информация не позволяет осуществлять сегментацию изображения только лишь выделяя красные участки изображения. Это обусловлено тем, что красный цвет в системах компьютерного зрения имеет довольно широкие и неоднозначные границы. Для автоматизированного анализа изображений использовались цветовые модели ЯйБи HSV. В каждом анализируемом изображении исходя из значений цвета каждого пикселя, рассчитывались следующие параметры пикселей: значение красного цвета пикселя (R), значение зеленого цвета пикселя (G), значение синего цвета пикселя RGB (B), значение яркости пикселя (У), значение оттенка пикселя (H), значение насыщенно-
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 3 - P. 12-19
сти цвета пикселя (S), значение пикселя (V).
Определение значений R, Gи Босуществлялось стандартными средствами операционной системы. Определение значения^ осуществлялось по следующей формуле [5]:
Y = 0,299 *R + 0,587* G + 0,114 *В, (1) где, Y - значение яркости пикселя, R, G, Б -значения, соответствующих составляющих цвета пикселя.
Определение значений H, S и V осуществлялось по следующему алгоритму [9]:
1.Из трех значений пикселя R, G и Б определялось максимальное значение (Max).
2.Из трех значений пикселя R, G и Б определялось минимальное значение (Min).
3. Значение H рассчитывалось согласно следующей формулы:
0, если max = min
Н =
60 60 *
max-min G-B
■ + 0, если max = R и G > В
+ 360, если max = R и G <B
max-min
B-R
(2)
60*60 *
max—min R—G
+ 120, если max = G + 240, если max = В
4. Значение S:
0, если max = 0 j (1 _ * 100, если max Ф 0.
max/
5.Значение
s =
V: 7 = — * 100
255
(3)
(4)
Таким образом, каждый пиксель на изображениях представлялся 7 параметрами: R, G, B и Y (диапазон значений данных параметров от 0 до 255), H (диапазон от 0 до 360), S и V (диапазон от 0 до 100). Используя значения R, G, B, Y, H, S и V каждого пикселя на каждом изображении рассчитывались параметры, представленные в табл. 1. В качестве математического аппарата разрабатываемого алгоритма сегментации изображения была принята математическая модель искусственной многослойной нейронной сети прямого распространения. Построение нейронных сетей производилось с использованием статистического пакета StatSoft Statistica v.6 путем нескольких итераций их обучения методом обратного распространения ошибки. На первой итерации в качестве входных параметров использовались рассчитываемые на изображении параметры. В качестве параметра, характеризующего качество работы нейронной сети, использовались точность ответа нейронной сети, относитель-
ная ошибка и средняя абсолютная ошибка ответа нейронной сети. После каждой итерации проводился анализ важности входных параметров, по результатам которого наименее важный параметр исключался из обучения на следующей итерации.
Оценка важности входных параметров производился путем анализа чувствительности, входящего в стандартный набор методов в системе Statistica у.б. Анализ чувствительности осуществлялся автоматически путем поочередного удаления каждого входного параметра и определения качества работы нейросети без него. Если нейронная сеть при удалении параметра давала лучшие результаты, то удаленному входному параметру присваивалась низкая важность. Если нейронная сеть при удалении параметра давала хуже результаты, то удаленному входному параметру присваивалась высокая важность. Таким образом, каждая итерация обучения включала в себя обучение нейронной сети, проведение анализа чувствительности и удаление из набора входных параметров, которые имели низкую важность, а каждая последующая итерация производилась без удаленных на предыдущей итерации параметров. Обучение и удаление входных параметров производилось до момента, когда все входные параметры имели высокую важность.
Таблица 1
Рассчитываемые на каждом изображении параметры
Параметры Количество параметров
Средние значения Я, 0, В, У, Н, S и V 7
Стандартные отклонения значений Я, 0, В, У, Н, S и V 7
Дисперсия значений Я, 0, В, У, Н, S и V 7
Минимальные значения Я, 0, В, У, Н, S и V 7
Максимальные значения Я, 0, В, У, Н, S и V 7
Гистограмма значений Я с интервалом 10 единиц 25
Гистограмма значений 0 с интервалом 10 единиц 25
Гистограмма значений В с интервалом 10 единиц 25
Гистограмма значений У с интервалом 10 единиц 25
Гистограмма значений Н с интервалом 10 единиц 36
Гистограмма значений S с интервалом 10 единиц 10
Гистограмма значений V с интервалом 10 единиц 10
Всего параметров изображения 191
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 3 - P. 12-19
Выбор топологии (структуры) нейронной сети осуществлялся также автоматически стандартными средствами системы Statistica v. 6. На каждом этапе обучения нейронной сети производилось построение моделей с различной комбинацией числа нейронов скрытого слоя, функций активации нейронов скрытого и выходного слоя. Число нейронов входного слоя всегда равнялось числу входных параметров, а число выходных нейронов - 1. Из всех построенных нейронных сетей выбиралась модель с наилучшим качеством работы. Для построения нейронной сети все 450 изображений были разбиты на 3 выборки: обучающая (314 изображений), тестовая (68 изображений), контрольная (68 изображений). Обучающая выборка использовалась для обучения нейронной сети, тестовая выборка - для контроля процесса обучения и предотвращения возможного переобучения нейронной сети, контрольная -для расчета параметров, характеризующих качество работы нейронной сети на изображениях, не участвовавших в обучении.
Анализ времени выполнения алгоритма осуществлялся на персональном компьютере со следующими характеристиками: процессор Intel® Core™ i5-3330S 2,70 GHz, оперативная память 4,00 ГБ, 32-разрядная операционная система Microsoft Windows 7 Корпоративная Service Pack 1.
Результаты и их обсуждение. Задача сегментации изображения сводилась к подбору минимальных и максимальных границ параметров H, S и V, внутри которых пиксели относились к кислотоустойчивым микобактериям, а за их пределами - к другим объектам на изображении. Большинство данных границ установлены экспериментально путем ручного подбора. Так, верхняя граница Н равна 360, верхняя граница S - 70, нижняя граница V - 70, верхняя граница V - 100. Однако, нижние границы H и S не удалось установить экспериментально. Для каждого изображения данные параметры могут быть подобраны индивидуально, но такой подход не позволяет отказаться от включения в процесс сегментации изображения человека. Для исключения роли человека нами была использована искусственная многослойная нейронная сеть. В качестве входов нейронной сети рассматривался 191 параметр, который был получен на каждом изображении. В качестве выходов нейронной сети использо-
вались вручную подобранные на каждом изображении параметры нижней границы H и S, при использовании которых на изображении оставались только кислотоустойчивые мико-бактерии или объекты, по визуальным характеристикам похожие на них. Следовательно, производилось построение двух нейронных сетей. Первая для подбора на основе 191 параметра нижней границы H, вторая - нижней границы S.
После 12 итераций обучения и удаления из перечня входных параметров всех параметров, имеющих низкую важность, а также подбора наиболее оптимальной топологии была получена следующая нейронная сеть: число нейронов входного слоя - 14, скрытого слоя - 14, выходного слоя - 1. В качестве входных параметров данной нейронной сети использованы такие показатели изображений, как среднее значение H, число пикселей, входящих в интерва-лы[210-220) и [230-240) гистограммы значений B, [170-180) - гистограммы значений G, [20-30), [190-200), [200-210) и [210-220) - гистограммы значений Щ [0-10), [20-30) и [30-40) - гистограммы значений ^ [180-190) и [210-220) - гистограммы значений Y и минимальное значение S. В качестве функции активации нейронов скрытого слоя использован гиперболический тангенс:
/О) = ■
е - е
(5)
ех + е~х
где f(x) - значение выходного сигнала нейрона, e - число Эйлера, x - значение параметра полученного после сумматора нейрона.
В качестве функции активации нейрона выходного слоя использована экспоненциальная функция:
/О) = ех, (6)
где f(x) - значение выходного сигнала нейрона, e - число Эйлера, x - значение параметра полученного после сумматора нейрона.
Показатели качества работы нейронной сети подбора нижней границыЯ представлены в табл. 2.
Как показывают результаты, представленные в табл. 2, наименьшая точность (97,5%) и наибольшие, как относительная ошибка (2,5%), так и средняя абсолютная ошибка (2,27 единиц), были получены на контрольной выборке. На рис. 1 представлены гистограммы абсолютных отклонений вручную подобранных нижних границ H от подобранных нижних границ H
нейронной сетью. Из приведенных на рис. 1 гистограмм следует, что большинство (более 90%) отклонений на обучающей выборке входит в интервал (-3, 2], на тестовой - [-3, 2], на контрольной - [-4, 5]. Данные отклонения являются незначительными в сравнении с возможным диапазоном значений параметра Н (от 0 до 360).
Таблица 2
Показатели качества работы нейронной сети для подбора нижней границы Н
Приведенные выше результаты показывают достаточное качество работы нейронной сети для автоматизации подбора нижней границы H и сегментации микроскопических изображений препаратов мокроты, окрашенной по методу Циля-Нильсена.
(J.4 р.1] 0.Я P.3 'ASI fií]
Рис. 1. Гистограммы абсолютных отклонений вручную подобранных границ Н от подобранных границ Н нейронной сетью (а - на обучающей выборке, б -на тестовой, в - на контрольной)
На следующем этапе осуществлялось построение нейронной сети для подбора нижней границы S. После 24 итераций обучения и удаления из перечня входных параметров всех параметров, имеющих низкую важность, а также подбора наиболее оптимальной топологии бы-
ла получена следующая нейронная сеть: число нейронов входного слоя - 8, скрытого слоя - 7, выходного слоя - 1. В качестве входных параметров использованы такие параметры изображений, как подобранная с использованием описанной выше нейронной сети нижняя граница Н, среднее значение Н, среднее значение G, максимальное значение Я, число пикселей, входящих в интервал [240-250) гистограммы значений Я, [110-120) и [170-180) - гистограммы значений Н и [70-80) - гистограммы значений V. В качестве функции активации нейронов скрытого слоя также, как и при построении первой нейронной сети, использован гиперболический тангенс (5). В качестве функции активации нейрона выходного слоя использована синусоидная функция:
¥(х)=зт (х), (7)
где [(х) - значение выходного сигнала нейрона, х - значение параметра полученного после сумматора нейрона.
Показатели качества работы нейронной сети подбора нижней границы S представлены в табл. 3.
Таблица 3
Показатели качества работы нейронной сети для подбора нижней границы Б
Как показывают результаты, представленные в табл. 3, наименьшая точность (89,4%) и наибольшие как относительная ошибка (10,6%), так и средняя абсолютная ошибка (0,63 единиц) были получены на обучающей выборке. Так как данные показатели на тестовой и контрольной выборках существенно не отличаются от показателей на обучающей выборке, то это объясняется существенно большим объемом обучающей, чем тестовой и контрольной выборок. На рис. 2 представлены гистограммы абсолютных отклонений вручную подобранных нижних границ S от подобранных нижних границ S нейронной сетью.
Выборка Точность, % Относительная ошибка, % Средняя абсолютная ошибка, ед.
Обучающая 97,9 2,1 1,87
Тестовая 98,5 1,5 1,51
Контрольная 97,5 2,5 2,27
Выборка Точность, % Относительная ошибка, % Средняя абсолютная ошибка, ед.
Обучающая 89,4 10,6 0,63
Тестовая 90,8 9,2 0,45
Контрольная 90,1 9,9 0,57
Рис. 2. Гистограммы абсолютных отклонений вручную подобранных границ Sот подобранных границ S нейронной сетью (а - на обучающей выборке, б - на тестовой, в - на контрольной)
Из приведенных на рис. 2 гистограмм следует, что большинство (более 90%) отклонений на обучающей выборке входит в интервал (-2, 1], на тестовой - (-1, 1], на контрольной - [-2, 1]. Данные отклонения являются незначительными в сравнении с возможным диапазоном значений параметра S (от 0 до 100). Приведенные результаты показывают достаточное качество работы нейронной сети для автоматизации подбора нижней границы Sи сегментации микроскопических изображений препаратов мокроты, окрашенной по методу Циля-Нильсена.
Таким образом, алгоритм предобработки изображения заключается в расчете на каждом изображении параметров необходимых для
работы нейронных сетей для подбора нижних границ Н и ^Анализ времени выполнения расчетов данных показателей на 450 изображениях с разрешением 572*422 пикселя показал, что среднее время, затрачиваемое на данные расчеты на одном изображении, составляет 9,532 секунды. Следующим этапом является подбор нижних границ Ни S. В связи с тем, что для подбора нижней границы Sнеобходимо осуществить подбор нижней границы Н, так как данный показатель является входным параметром для нейронной сети для подбора нижней границы S, работа нейронных сетей производится последовательно. Среднее время, затрачиваемое на последовательную работу нейронных сетей, составляет 0,006 секунды. После подбора нижних границ Н и S с помощью построенных нейронных сетей, а также с использованием граничных значений Н, S и V подобранных экспериментально осуществляется непосредственно сегментация изображения. Среднее время, затрачиваемое на сегментацию изображения, составляет 9,266 секунды. Таким образом, общий алгоритм сегментации микроскопического изображения мокроты, окрашенной по методу Циля-Нильсена можно представить схемой, приведенной на рис. 3.
Рис. 3. Общая схема алгоритма сегментации микроскопического изображения мокроты, окрашенной по методу Циля-Нильсена
Рассмотрим использование разработанного алгоритма на примере одного микроскопического цифрового изображения мокроты, окрашенной по методу Циля-Нильсена (рис. 4а). На этапе предобработки изображения были получены показатели, представленные в табл. 4.
Таблица 4
Показатели, полученные на этапе предобработки изображения
Показатели Значение показателей
Среднее значениеН 218,4
Число пикселей, входящих в интер-вал[210-220) гистограммы значений В 17732
Число пикселей, входящих в интер-вал[230-240) гистограммы значенийВ 156088
Число пикселей, входящих в интер-вал[170-180) гистограммы значений О 24078
Число пикселей, входящих в интер-вал[20-30) гистограммы значений Н 0
Число пикселей, входящих в интер-вал[190-200) гистограммы значений Н 194
Число пикселей, входящих в интер-вал[200-210) гистограммы значений Н 34097
Число пикселей, входящих в интер-вал[210-220) гистограммы значений Н 127291
Число пикселей, входящих в интер-вал[0-10) гистограммы значений Б 5503
Число пикселей, входящих в интер-вал[20-30) гистограммы значений Б 38166
Число пикселей, входящих в интер-вал[30-40) гистограммы значений^ 40917
Число пикселей, входящих в интер-вал[180-190) гистограммы значений У 25460
Число пикселей, входящих в интер-вал[210-220) гистограммы значений У 24542
Минимальное значение Б 2,3
Среднее значение О 176,2
Максимальное значение Я 229
Число пикселей, входящих в интер-вал[240-250) гистограммы значений Я 0
Число пикселей, входящих в интер-вал[110-120) гистограммы значений Н 0
Число пикселей, входящих в интер-вал[170-180) гистограммы значений Н 14
Число пикселей, входящих в интер-вал[70-80) гистограммы значений V 68892
На основе полученных значений с использованием построенных нейронных сетей были получены следующие значения: нижняя граница Н - 229, нижняя граница Б- 23. Таким образом, были получены граничные значения параметров Н, Б и V, используя которые можно провести сегментацию первоначального изображения на объекты, которые могут при по-
следующем анализе оказаться кислотоустойчивыми микобактериями (эти объекты остаются на изображении) и на объекты, которые не являются кислотоустойчивыми микобактериями (данные объекты исключаются из изображения). Сегментированное изображение представлено на рис. 4б.
?
Рис. 4. Пример микроскопического цифрового изображения мокроты, окрашенной по методу Циля-Нильсена при увеличении 10х60 (а - первоначальное изображение, б - сегментированное изображение)
Выводы. Таким образом, с использованием математического аппарата искусственных нейронных сетей разработан алгоритм предобработки и сегментации микроскопических цифровых изображений мокроты, окрашенной по методу Циля-Нильсена. Данный алгоритм может быть использован для распознавания объектов - кислотоустойчивых микобактерий и иных объектов - в автоматизированных системах бактериоскопической диагностики туберкулеза, а внедрение его в клиническую практику, несомненно повысит качество микробиологической диагностики туберкулеза.
Финансирование. Проект поддержан программой «УМНИК» Фонда содействия развитию малых форм
предприятий в научно-технической сфере.
Литература References
1. Еремеева Н.И., Вахрушева Д.В. Эффективность Eremeeva NI, Vakhrusheva DV. Effektivnost' vyyavle-
выявления больных туберкулезом с бактериовы- niya bol'nykh tuberkulezom s bakteriovydeleniem v
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 3 - P. 12-19
делением в клинико-диагностических лабораториях учреждений первичной медико-санитарной помощи Урала в 2010-2012 гг. // Туберкулез и болезни легких. 2015. №7. С. 40-42.
2. Косых Н.Э., Смагин С.И., Гостюшкин В.В., Савин С.З., Литвинов К.А. Система автоматизированного компьютерного анализа медицинских изображений // Информационные технологии и вычислительные системы. 2011. №3. С. 51-56.
3. Мезенцева Н.И., Евгущенко Г.В., Пузанов В.А., Попов С.А., Фрейман Г.Е. Оценка качества диагностики туберкулеза методами микроскопии в РФ за 2011-2014 гг. по результатам ФСВОК // Туберкулез и болезни легких. 2015. №6. С. 96-97.
4. Мордык А.В., Пузырева Л.В., АксютинаЛ.П. Современные международные и национальные концепции борьбы с туберкулезом // Дальневосточный журнал инфекционной патологии. 2013. № 22. С. 92-97.
5. Порев В.Н. Компьютерная графика. СПб.: БХВ-Петербург, 2002. 432 с.
6. Сойфер В.А. Компьютерная обработка изображений. Часть 2. Методы и алгоритмы // Соросов-ский образовательный журнал. 1996. №3. С. 110121.
7. Филимонова Е.С., Тарасенко С.Л., ДыхноЮ.А., Хлебникова Ф.Б. Оценка эффективности цитологической диагностики злокачественных новообразований легких // Сибирское медицинское обозрение. 2014. №3. С. 65-69.
8. Чередниченко А.Г., Ревякина О.В., Петренко Т.И. Состояние лабораторной службы по диагностике туберкулеза в Сибирском и Дальневосточном федеральных округах // Туберкулез и болезни легких. 2014. №5. С.16-20.
9. Agoston M.K. Computer graphics and geometric-modeling: implementation and algorithms. London: Springer, 2005. 907 p.
10. Liu D., Wang S., Huang D., Deng G., Zeng F., Chen H. Medical image classification using spatial adjacent histogram based on adaptive local binary patterns // Computers in Biology and Medicine. 2016. Vol.72. P. 185-200.
11. Xu Z., Bagci U., Mansoor A., Kramer-Marek G., Luna B., Kubler A., Dey B., Foster B., Papadakis G.Z., Camp J.V., Jonsson C.B., Bishai W.R., Jain S., Udu-pa J.K., Mollura D. J. Computer-aided pulmonary image analysis in small animal models // Medical Physics. 2015. Vol. 42, N7. P. 3896-3910.
kliniko-diagnosticheskikh laboratoriyakh uchrezhde-niy pervichnoy mediko-sanitarnoy pomoshchi Urala v 2010--2012 gg. [Efficiency of detection of tuberculosis patients with bacterial excretion in clinical diagnostic laboratories of primary health care facilities in the Urals in 2010- 2012]. Tuberkulez i bolezni legkikh. 2015;7:40-2. Russian.
Kosykh NE, Smagin SI, Gostyushkin VV, Savin SZ, Litvinov KA. Sistema avtomatizirovannogo komp'yu-ternogo analiza meditsinskikh izobrazheniy [The system of automated computer analysis of medical images]. Informatsionnye tekhnologii i vychislitel'nye sistemy. 2011;3:51-6. Russian.
Mezentseva NI, Evgushchenko GV, Puzanov VA, Popov SA, Freyman GE. Otsenka kachestva diagnostiki tuberkuleza metodami mikroskopii v RF za 2011-2014 gg. po rezul'tatam FSVOK [Assessment of the quality of tuberculosis diagnosis using microscopy in the Russian Federation for 2011-2014. based on the results of FSVOK]. Tuberkulez i bolezni legkikh. 2015;6:96-7. Russian.
Mordyk AV, Puzyreva LV, Aksyutina LP. Sovremennye mezhdunarodnye i natsional'nye kontseptsii bor'by s tuberkulezom [Modern international and national concepts of tuberculosis control]. Dal'nevostochnyy zhurnal infektsionnoy patologii. 2013;22:92-7. Russian. Porev VN. Komp'yuternaya grafika [Computer graphics]. SPb.: BKhV-Peterburg; 2002. Russian. Soyfer VA. Komp'yuternaya obrabotka izobrazheniy. Chast' 2. Metody i algoritmy [Computer image processing. Part 2. Methods and algorithms]. Sorosovs-kiy obrazovatel'nyy zhurnal. 1996;3:110-21. Russian. Filimonova ES, Tarasenko SL, Dykhno YuA, Khlebni-kova FB. Otsenka effektivnosti tsitologicheskoy diag-nostiki zlokachestvennykh novoobrazovaniy legkikh [Evaluation of the effectiveness of cytological diagnosis of malignant neoplasms of the lungs]. Sibirskoe meditsinskoe obozrenie. 2014;3:65-9. Russian. Cherednichenko AG, Revyakina OV, Petrenko TI. Sos-toyanie laboratornoy sluzhby po diagnostike tuberku-leza v Sibirskom i Dal'nevostochnom federal'nykh okrugakh [The state of the laboratory service for the diagnosis of tuberculosis in the Siberian and Far Eastern Federal Districts]. Tuberkulez i bolezni legkikh. 2014;5:16-20. Russian.
Agoston MK. Computer graphics and geometricmode-ling: implementation and algorithms. London: Springer; 2005.
Liu D, Wang S, Huang D, Deng G, Zeng F, Chen H. Medical image classification using spatial adjacent histogram based on adaptive local binary patterns. Computers in Biology and Medicine. 2016;72:185-200. Xu Z, Bagci U, Mansoor A, Kramer-Marek G, Luna B, Kubler A, Dey B, Foster B, Papadakis GZ, Camp JV, Jonsson CB, Bishai WR, Jain S, Udupa JK, Mollura DJ. Computer-aided pulmonary image analysis in small animal models. Medical Physics. 2015;42(7):3896-910.
