CC BY
32
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 242-250
УДК: 004.932 DOI: 10.24411/1609-2163-2018-16107
УНИВЕРСАЛЬНЫЙ ИНТЕРФЕЙС ВРАЧА-ИССЛЕДОВАТЕЛЯ ДЛЯ КОГНИТИВНОЙ ВИЗУАЛИЗАЦИИ И ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ТОМОГРАФИЧЕСКИХ ДАННЫХ В СОВМЕЩЕННЫХ РЕЖИМАХ
В.П. ФРАЛЕНКО*, М.В. ХАЧУМОВ**, М.В. ШУСТОВА*
*ИПС А.К. Айламазяна РАН, ул. Петра Первого, д. 4«а», с. Веськово, Переславский район, Ярославская область, 152021, Россия **ИСА ФИЦ ИУРАН, проспект 60-летия Октября, д. 9, Москва, 117312, Россия
Аннотация. В статье рассматривается универсальный графический интерфейс для поддержки исследований врачей, занимающихся изучением и анализом поведения мезенхимальных стволовых клеток, введенных в ишемизированный мозг лабораторного животного. Интерфейс поддерживает функцию когнитивной визуализации зон интереса в 2D- и 3D-форматах и совмещенный режим работы обработки и визуализации данных магнитно-резонансной томографии, обеспечивающий одновременное наблюдение динамики ишемического поражения мозга и скоплений имплантированных мезенхимальных стволовых клеток. Режим комбинированной визуализации результатов обработки экспериментальных данных (совмещает результаты обработки снимков в T2- и 5Ш-режимах томографа) используется для изучения влияния имплантированных стволовых клеток на процесс лечения ишемического поражения у лабораторных животных. В основу предложенного метода визуализации положены волновой алгоритм для первичного выделения зон, метод Canny для получения контуров, построение невыпуклых оболочек для их обхода и триангуляция Зейделя для формирования поверхностей с отверстиями. Интерфейс позволяет целенаправленно и качественно решать задачи поиска, выделения, когнитивной визуализации и изучения свойств областей интереса, в том числе ишемиче-ских поражений мозга и путей миграции трансплантированных стволовых клеток. Приведены экспериментальные данные, полученные в динамике развития поражения мозга.
Ключевые слова: обработка изображений, графический интерфейс, магнитно-резонансная томография, мезенхимальные стволовые клетки, ишемическое заболевание, совмещенный режим.
Введение. Методы автоматического обнаружения и измерения динамических свойств зон интереса на томографических данных являются принципиально важными, поскольку существенно усиливают возможности врача-исследователя при изучении трансплантированных в ишемизированный мозг мезенхимальных стволовых клеток (МСК). В то же время, проведенный обзор работ [2] в предметной области показал, что имеющиеся инструментальные средства анализа далеки от совершенства из-за достаточно низкого уровня качества томографических данных и пока не нашли адекватного отражения в мировой литературе. Следует отметить, что реализованные в интерфейсах томографов способы визуализации данных, к сожалению, не предоставляют врачам-исследователям информацию для уверенного принятия решений из-за низкой выразительности графических средств, отсутствия возможности одновременного обозрения процессов трекинга МСК и динамики зон ишеми-ческого заболевания. Последнее объясняется
использованием различных режимов томографа, оптимизированных только под одну задачу. Так для поиска зон ишемического поражения предпочтение отдается Т2-взвешенным изображениям на поздних стадиях в острой фазе ишемии, поскольку патологические процессы, как правило, увеличивают содержание воды в тканях, что приводит к усилению сигнала и позволяет выполнить их сегментацию. Выделение скоплений имплантированных МСК выполняется на изображениях, полученных в режиме SWI (Susceptibility weighted imaging - импульсная последовательность магнитно-резонансной томографии), где в качестве контрастного агента используется наночастицы оксида железа. Магнитно-резонансная томография (МРТ) в режиме SWI позволяет визуализировать следы мелких кровоизлияний по истечении длительного времени, отложения железосодержащих веществ в отдельных структурах головного мозга, а также хорошо контрастировать венозную кровь. Таким образом, назрела актуальная необходимость в пересмотре
и усилении инструментальных средств врача-исследователя.
В настоящей работе представлен универсальный графический интерфейс с функцией совмещенной обработки и когнитивной визуализации данных МРТ, полученных в указанных режимах работы томографа. Двумерная и трехмерная визуализация помогают смоделировать во времени процесс трансформации (зарождения и развития во времени) зон интереса.
в)
Рис. 1. Выделение области мозга (режим Т2)
Совмещенный режим 2.-визуализации скоплений МСК и зон ишемического поражения. На первом подготовительном этапе на каждом срезе снимка МРТ по следующему алгоритму выделяется область мозга:
- с помощью программы «ВЕТ» [2] строится предварительная граница области мозга и затем вычисляется «центр тяжести» выделенной
зоны (рис. 1а, граница выделена красным цветом, а точка центра показана розовым цветом);
- на основе текущей границы с помощью специального алгоритма [5] строится новая уточненная граница мозга (рис. 1а), точки которой выделены бирюзовым цветом;
- строится предварительная невыпуклая оболочка мозга (рис. 1б);
- производится уточнение оболочки с помощью алгоритмов эрозии и дилатации (рис. 1в).
Алгоритм выделения области мозга доступен как отдельная функция универсального интерфейса. Полученный результат выделения области мозга можно посмотреть в отдельном окне визуализации (рис. 2). Реализация позволяет работать со снимками, полученными в режимах Т2 и БШГ.
ЕЗ Результат обработки дачных DICOM (серия снимков №1)
18 : (0 ■ 29) 3D
ОК
Рис. 2. 2.0-визуализация мозга в интерфейсе
Следующий этап - выделение зоны ише-мического поражения на обрабатываемом срезе (режим Т2). Эта зона выделяется с помощью алгоритма, описанного в работе [3]. Пример визуализации в интерфейсе отдельных срезов показан на рис. 3.
Последний подготовительный этап - выделение скоплений имплантированных в мозг стволовых клеток (режим БШГ) по алгоритму, описанному в работах [4,5]. Пример результата обработки снимка сразу же после введения клеток приведен на рис. 4.
После выполнения всех подготовительных этапов осуществляется непосредственно комбинированная визуализация, совмещающая результаты обработки снимков в Т2- и БШГ-режимах томографа, которая позволяет исследовать влияние имплантированных стволовых клеток на процесс лечения ишемического поражения. Для запуска данного режима работы в интерфейсе необходимо задать некоторое количество параметров (рис. 5).
10иККЛЬ ОБ ОТШ МЕБТСЛЬ ТЕСЫК0ШЫЕ8 - 2018 - V. 25, № 4 - Р. 242-250
Обрабатываемые данные 01С0М {серия снимков N21)
Т г
» Щг
3 (0-10)
а) исходные данные
В Результат оОраОоткилампы* Р1СОМ ;сср*я Анмкм №1)
I 3 И {О 10)
ок
б) результат обработк
Рис. 3. Пример 2.0-визуализации областей ишемиче-ского поражения (режим Т2)
Обрабатываемые данные 01С0М {серия
| 23 Щ (23-24)
а) исходные данные
0 Результат обработки данных 01С0М (серия снимков №2)
1
■у.
п (23-24) 30 ]
ок
б) результат обработки
Рис. 4. Пример 2.0-визуализации скоплений стволовых клеток (режим БШГ)
Комбинированная визуализация выполняется на снимках, содержащих стволовые клетки - т.е. зона ишемии со снимка с ишемическим поражением накладывается на снимок с МСК. На рис. 6 представлен результат работы совмещенного 20-режима интерфейса.
Рис. 5. Подготовка к запуску совмещенного режима работы
Рис. 6. Совмещенная 20-визуализация на разных срезах
Несмотря на определенную информативность, выразительность и несомненную полезность, 2.0-визуализация не позволяет оценить всю ситуацию в целом, не дает полного представления о текущем состоянии головного мозга. Поэтому для получения полной картины состояния мозга строятся объемные модели зон интереса.
Совмещенный режим 3.0-визуализации скоплений МСК и зон ишемического поражения. Опишем алгоритмы, задействованные при 3.0-визуализации мозга лабораторного животного с ишемическими поражениями тканей и при 3.0-визуализации скоплений мезенхи-мальных стволовых клеток. В качестве входных данных для построения объемных моделей используются результаты независимой обработки отдельных МРТ-срезов.
Визуализация поверхности мозга в виде сеточной модели. Полученный промежуточный результат в виде выделенных областей мозга обрабатывается с помощью детектора границ Canny [6]. Используется реализация из библиотеки OpenCV [12]. Библиотека позволяет получить два варианта данных: а)новое бинарное изображение (функция «cv::Canny»), б) готовый контур обрабатываемого среза мозга в виде вектора из упорядоченных точек с координатами (функция «cv::findContours»). Как оказалось, «cv::findContours» может, в зависимости от сложности обрабатываемого изображения, выдавать не один, а несколько контуров, при этом возникает дополнительная задача интерпретации этих контуров. Для конкретной крысы все такие контура нужно объединять, что в некоторых случаях является нетривиальной задачей ввиду сложной формы мозга. В настоящем исследовании использовалась только функция «cv::Canny».
Обработка полученных точек границы от функции «cv::Canny» заключается в построении на их основе невыпуклой оболочки. Для этого был использован метод «ConcaveHull» [13], реализующий подход к ближайших соседей: расчет вогнутой оболочки осуществляется на основе метода Джарвиса [7] с применением предложенной в работе [10] методики выбора очередной точки вогнутого контура. Метод «ConcaveHull» состоит из трех этапов:
1. Нахождение первой вершины полигона с самым низким значением координаты Y (точка A на рис. 7а).
2. Выбираются к точек в качестве возможных следующих вершин полигона, эти точки являются ближайшими соседями текущей вершины (рис. 7а, точки B, C и D; здесь к=3). В данном случае следующей вершиной выбирается точка C, поскольку ей соответствует максимальный угол правого поворота от горизонтальной линии, на которой лежит первая точка (точка A). Поскольку C, как и точка A, теперь является вершиной полигона, в дальнейшем она не рассматривается как возможный ближайший сосед.
3. Ближайшие к текущей вершине полигона к точек рассматриваются в качестве возможных следующих его вершин (рис. 7б, точки B, D и E). В этом случае вершиной становится такая точка, включение которой приводит к самому большому правому повороту и наибольшему углу между отрезками p и q, где p -
отрезок между первой вершиной и текущей вершиной, д - отрезок между текущей вершиной и возможной следующей вершиной. Данным условиям удовлетворяет точка Е. Процесс повторяется до тех пор, пока очередной выбранной вершиной не станет первая точка (точка А).
В Q
Ос
а) нахождение первой и второй вершин
В Q- -> . dQ~
б) нахождение последующих вершин Рис. 7. Формирование вогнутой оболочки
Рис. 8. Когнитивное отображение ишемического поражения мозга
Точки всех полученных вогнутых оболочек сортируются, чтобы в дальнейшем совместить все срезы в единую 3.0-оболочку. Срезы выравниваются относительно области визуализации, так чтобы усредненный центр тяжести модели
мозга совпадал с центром области визуализации. Предложено визуализировать мозг крысы в виде сеточной модели с фиксированным шагом. Такие модели можно вращать в пространстве и масштабировать с помощью клавиатуры компьютера. Цветовое представление выбрано таким образом, чтобы минимально отвлекать пользователя программы от объектов, визуализируемых внутри мозга, в том числе скоплений стволовых клеток, областей ишемического поражения и т.д. [5].
Рис. 9. Объемная модель скоплений стволовых клеток
и я
• ¿if ft V'u' *7— - - *
* ' ' Jr А
а) общий вид б) вид сверху
ИНН
* r% I
*
* /;
а»; „• toi s-% ;
в) вид 3/4 г) вид с обратной стороны
Рис. 10. Комбинированная 3Б-визуализация
Построение совмещенных ББ-моделей.
Задача построения 3.0-моделей зон интереса имеет следующие особенности: на одном МРТ-
срезе может находиться несколько зон ишеми-ческого поражения; для формализованного описания их поверхностей обычная триангуляция [1] не подходит из-за возможного наличия отверстий в зонах поражения. В связи с этим предложен специальный подход к решению задачи, состоящий из двух этапов.
На первом этапе определяются все имеющиеся зоны поражения. Для этого используется следующий волновой алгоритм:
- прямоугольник, в который вписываются все зоны поражения, начинаем обходить по его границе, за один шаг просматривается одна точка; если точка границы является точкой фона и ранее не была помечена, то помечаем ее и осматриваем соседей, если какой-нибудь из них ранее не был помечен и является точкой фона, то помечаем эту точку и добавляем в список точек, подлежащих дополнительной проверке; после обхода границы переходим к списку точек для дополнительной проверки, повторяем процедуру с проверкой соседей итеративно до тех пор, пока список точек для дополнительной проверки не окажется пуст;
- точки, оказавшиеся без метки, являются либо точками областей поражения, либо отверстиями в этих областях; выполняется обход каждой точки изображения, если она без метки, то присваиваем точке идентификатор Ь:=1, помечаем ее и проверяем, есть ли рядом соседи без метки, если таковые есть, то также помечаем их идентификатором Ь и добавляем в список точек, у которых нужно проверить соседей; проверяем соседние точки, если они без метки, то помечаем; итеративно повторяем процедуру до тех пор, пока не останется непомеченных точек; увеличиваем Ь на 1, переходим к следующей точке изображения, если она не помечена, то повторяем алгоритм с обходом соседей, если же уже была помечена, то просто пропускаем и идем дальше;
- результат предыдущего шага -промаркированные области поражения, в которых необходимо найти отверстия; для этого используем тот же способ - просматриваем изображение, если точка помечена и является точ-
кой фона (в этой зоне нет ишемического поражения), то присваиваем ей идентификатор К:=1 и фиксируем, что она является точкой отверстия; как только волна прекратила распространение, увеличиваем K на 1 и переходим к следующей точке, если она является точкой фона и не была ранее проверена, то повторяем запуск волны; в противном случае точку пропускаем.
На втором этапе, после того как были промаркированы все области поражения и отверстия в них, переходим к вычислению контуров и триангуляции. Для получения упорядоченных контуров используется детектор границ Canny с последующим построением невыпуклых оболочек по методу «ConcaveHull». Далее применяем триангуляцию Зейделя [9,11], состоящую из трех шагов: 1) разбиение многоугольника зоны поражения и многоугольников-отверстий в них на трапеции; 2) разделение трапеций на монотонные много-
угольники с вспомогательными диагоналями; 3) триангуляция многоугольников с помощью жадного алгоритма, многократно отсекающего выпуклые углы [8]. Метод обеспечивает почти линейную зависимость времени вычислений от количества вершин. На вход алгоритма Зейделя подаются точки границы многоугольника (отдельной области ишемического поражения), упорядоченные по часовой стрелке. Обход начинается из точки, максимально близкой к верхнему левому углу области визуализации. Точки контуров отверстий упорядочены против часовой стрелки. Пример когнитивного отображения ишемического поражения, наложенный на 30-модель мозга, показан на рис. 8.
3.0-поверхности, с помощью которых визуализируются зоны поражения на отдельных срезах, строятся из множества полупрозрачных треугольников.
Объемная модель скоплений МСК строится на основе данных о расположении стволовых клеток на каждом срезе, размер визуализируемых сфер зависит от числа МСК в соответствующих скоплениях (рис. 9).
Комбинированная ЗБ-визуализация полученных результатов. Для исследования влияния имплантированных стволовых клеток на процесс лечения ишеми-ческого поражения используется режим комбинированной визуализации результатов обработки экспериментальных данных. На рис. 10 представлено совмещение зон ишемии и скоплений МСК, которое демонстрирует расположение зон интереса в мозге крысы сразу после введения стволовых клеток. Визуализация модели выполнена в разных ракурсах для получения более полной картины. Функционал интерфейса позволяет вращать модель в разных
а) сразу после введения б) через три дня после в) через 13 дней после МСК введения введения
Рис. 11. Отслеживание тренда скоплений МСК и состояния ишемического поражения
плоскостях, что дает возможность детально рассмотреть и изучить положение объектов интереса.
Совмещенное представление зон интереса позволяет не только изучить текущее состояние мозга лабораторного животного, но и отследить динамику движения стволовых клеток в течение времени. На рис. 11 представлены ситуации сразу после введения МСК, через три дня и через 13 дней.
Здесь изображения приведены в различных ракурсах, подобранных оператором интерфейса для наилучшего отслеживания тенденции изменения состояния зон интереса и мозга в целом. Особо следует отметить, что интерпретация всех представленных результатов является прерогативой специалиста, т.е. врача-исследователя, являющегося основным пользователем разработанного интерфейса. Эта интерпретация лежит вне рамок настоящей работы.
Заключение. В работе предложена реализация универсального графического интерфейса врача-исследователя, направленная на решение научной проблемы автоматизации процессов интеллектуальной обработки данных МРТ для обнаружения существенной информации при изучении процессов ишемического поражения мозга и миграции трансплантированных МСК. Универсальный интерфейс, интегрирующий различные режимы обработки и визуализации данных томографа, позволяет врачам-исследователям оперативно осуществлять автоматический анализ потоков данных МРТ в реальном масштабе времени, углубленно и оперативно решать задачи поиска, выделения, когнитивной визуализации и изучения свойств областей интереса, включая ишемиче-ские поражения и пути миграции и хоуминга стволовых клеток с учетом анатомических особенностей мозга крысы.
UNIVERSAL INTERFACE OF THE DOCTOR-RESEARCHER FOR COGNITIVE VISUALIZATION AND INTELLECTUAL ANALYSIS OF TOMOGRAPHIC DATA IN COMBINED REGIMES
V.P. FRALENKO*, M.V. KHACHUMOV**, M.V. SHUSTOVA*
'Aylamazyan Program Systems Institute of the Russian Academy of Sciences, 152021 Russia, Yaroslavl region,
Pereslavl area, Veskovo village, Peter the First St., 4"a" "Institute for Systems Analysis, Federal Research Center "Computer Science and Control" of the Russian Academy of Sciences, 117312 Russia, Moscow, pr. 60-letiya Oktyabrya, 9
Abstract. The article presents a universal graphical interface for supporting the research of doctors involved in the study and analysis of the behavior of mesenchymal stem cells introduced into the ischemic brain of a laboratory animal. The interface supports the function of cognitive visualization of zones of interest in 2D- and 3D-formats and a combined mode of processing and visualization of magnetic resonance imaging that provides simultaneous observation of the dynamics of brain ischemic damage and clusters of implanted mesenchymal stem cells. The mode of combined visualization of experimental data processing results (combines the results of image processing in the T2- and SWI-modes of the tomograph) is used to study the effect of implanted stem cells on the treatment of ischemic injury of laboratory animals. The proposed method of visualization is based on the wave algorithm for the primary allocation of zones, the Canny method for obtaining contours, the construction of non-convex hulls to bypass them, and the Seidel triangulation for forming surfaces with holes. The interface allows purposefully and qualitatively to solve tasks of search, selection, cognitive visualization and studying properties of interest areas, including ischemic brain lesions and migration pathways of transplanted stem cells. Experimental data obtained in the dynamics of the development of brain damage are presented.
Key words: image processing, graphical interface, magnetic resonance imaging, mesenchymal stem cells, ischemic disease, combined mode.
Авторы выражают благодарность к.м.н. Губскому Илье Леонидовичу (ГБОУ ВПО РНИМУ им. Н.И. Пирогова Минздрава России) за предоставление экспериментальных данных.
Работа выполнена при частичной финансовой поддержке проектов РФФИ № 16-29-07116-офи_м и 17-29-07002-офи_м.
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 242-250
Литература
1. Скворцов А.В. Триангуляция Делоне и ее применение. Томск: Изд-во Томского университета, 2002. 128 с.
2. Фраленко В.П., Хачумов М.В., Шустова М.В. Анализ инструментальных средств обработки и визуализации биомедицинских данных магнитно-резонансной томографии (обзор литературы) // Вестник новых медицинских технологий. 2016. №4. С. 307-315.
References
1. Skvorcov AV. Trianguljacija Delone i ee primene-nie [Delaunay triangulation and its application]. Tomsk: Izd-vo Tomskogo universiteta; 2002. Russian.
2. Fralenko VP, Khachumov MV, Shustova MV. Analiz instrumental'nyh sredstv obrabotki i vizualiza-cii biomedicinskih dannyh magnitno-rezonansnoj tomografii (obzor literatury) [Analysis of instrumental means of biomedical data magnetic resonance imaging processing and visualization] // Vestnik novyh medicinskih tehnologij. 2016;4:307-15. Russian.
3. Фраленко В.П., Хачумов М.В., Шустова М.В. Инструментальные средства автоматического поиска и визуализации зон интереса в данных МРТ для поддержки принятия решений врачей-исследователей // Искусственный интеллект и принятие решений. 2016. №4. С. 27-37.
3. Fralenko VP, Khachumov MV, Shustova MV. In-strumental'nye sredstva avtomaticheskogo poiska i vizualizacii zon interesa v dannyh MRT dlja pod-derzhki prinjatija reshenij vrachej-issledovatelej [The tools for automatically finding and visualization of interest areas in the MRI data to support of medical researchers decision-making] // Iskusstvennyj intellekt i prinjatie reshenij. 2016;4:27-7. Russian.
4. Фраленко В.П., Хачумов М.В., Шустова М.В. Выделение и когнитивная визуализация трансплантированных мезенхимальных стволовых клеток на снимках магнитно-резонансной томографии // Искусственный интеллект и принятие решений. 2017. №3. С. 10-20.
4. Fralenko VP, Khachumov MV, Shustova MV. Vy-delenie i kognitivnaja vizualizacija transplantirovan-nyh mezenhimal'nyh stvolovyh kletok na snimkah magnitno-rezonansnoj tomografii [Allocation and cognitive visualization of transplanted mesenchymal stem cells in images of a magnetic resonance tomography] // Iskusstvennyj intellekt i prinjatie reshenij. 2017;3:10-20. Russian.
5. Фраленко В.П., Шустова М.В. Программный комплекс для автоматического выделения, визуализации и расчета информативных характеристик областей интереса в биомедицинских данных МРТ // Вестник новых медицинских технологий. Электронное издание. 2017. №4. Публикация 6-3. URL: http://www.medtsu.tula.ru/VNMT/Bulletin/E2017-4/6-3.pdf (дата обращения: 17.11.2017). DOI: 10.12737/article_5a058b7ad46157.73651513.
5. Fralenko VP, Shustova MV. Programmnyj kom-pleks dlja avtomaticheskogo vydelenija, vizualizacii i rascheta informativnyh harakteristik oblastej interesa v biomedicinskih dannyh MRT [Program complex for automatic localization, visualization and calculation of informative characteristics of interest areas in biomedical data of MRI] // Vestnik novyh medicinskih tehnologij, jelektronnyj zhurnal [internet]. 2017[cited 2017 Nov 17];4[about 5 p.]. Russian. Available from: http://www.vnmt.ru/Bulletin/E2017-4/6-3.pdf. DOI: 10.12737/article_5a058b7ad46157.73651513.
6. Canny J. A computational approach to edge detection // Pattern Analysis and Machine Intelligence, IEEE Transactions on. 1986. Vol. PAMI-8, No. 6. P. 679-698.
6. Canny J. A computational approach to edge detection. Pattern Analysis and Machine Intelligence, IEEE Transactions on. 1986; PAMI-8(6):679-98.
7. Cormen T.H., Leiserson C.E., Rivest R.L., Stein C. Introduction to algorithms (3rd ed.) // Massachusetts Institute of Technology: MIT Press, 2009. 1313 p.
8. Fournier A., Montuno D.Y. Triangulating simple polygons and equivalent problems // ACM Trans. on Graphics. 1984. No. 3. P. 153-174.
9. Liang W. Poly2Tri: Fast and Robust Simple Poly-
7. Cormen TH, Leiserson CE, Rivest RL, Stein C. Introduction to algorithms (3rd ed.). Massachusetts Institute of Technology: MIT Press; 2009.
8. Fournier A, Montuno DY. Triangulating simple polygons and equivalent problems. ACM Trans. on Graphics. 1984;3:153-74.
9. Liang W. Poly2Tri: Fast and Robust Simple Poly-
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 242-250
gon Triangulation With/Without Holes by Sweep Line Algorithm. 2005. URL: http://sites-final.uclouvain.be/mema/Poly2Tri/ (дата обращения: 17.04.2018).
gon Triangulation With/Without Holes by Sweep Line Algorithm. 2005. URL: http://sites-final.uclouvain.be/mema/Poly2Tri/ (data obrashheni-ja: 17.04.2018).
10. Moreira A., Yasmina M.S. Concave hull: A k-nearest neighbours approach for the computation of the region occupied by a set of points // Proceedings of 2nd International Conference on Computer Graphics Theory and Applications (GRAPP), 2007. P. 61-68.
11. Narkhede A., Manocha D. Fast Polygon Triangulation Based on Seidel's Algorithm. URL: http://gamma.cs.unc.edu/SEIDEL/
(дата обращения: 17.04.2018).
12. OpenCV library. URL: https://opencv.org/ (дата обращения: 17.04.2018).
13. The Concave Hull of a Set of Points. 2017. URL: https://www.codeproject.com/Articles/1201438/The-Concave-Hull-of-a-Set-of-Points (дата обращения: 17.04.2018).
10. Moreira A, Yasmina MS. Concave hull: A k-nearest neighbours approach for the computation of the region occupied by a set of points // Proceedings of 2nd International Conference on Computer Graphics Theory and Applications (GRAPP); 2007.
11. Narkhede A, Manocha D. Fast Polygon Triangulation Based on Seidel's Algorithm. URL: http://gamma.cs.unc.edu/SEIDEL/ (data obrashheni-ja: 17.04.2018).
12. OpenCV library. URL: https://opencv.org/ (data obrashhenija: 17.04.2018).
13. The Concave Hull of a Set of Points. 2017. URL: https://www.codeproject.com/Articles/1201438/The-Concave-Hull-of-a-Set-of-Points (data obrashhenija: 17.04.2018).
Библиографическая ссылка:
Фраленко В.П., Хачумов М.В., Шустова М.В. Универсальный интерфейс врача-исследователя для когнитивной визуализации и интеллектуального анализа томографических данных в совмещенных режимах // Вестник новых медицинских технологий. 2018. №4. С. 242-250. DOI: 10.24411/1609-2163-2018-16107
