Бобырь Максим Владимирович, доктор технических наук, профессор кафедры программной инженерии
Researcher ID: G-2604-2013
ул. 50 лет Октября, д. 94, г. Курск 305040
Maxim V. Bobyr, Doctor of Sciences (Engineering), Professor of the Software Engineering Department
50 Let Oktyabrya Str. 94, Kursk 305040
Супрунова Ольга Геннадьевна, аспирант кафедры программной инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Olga G. Suprunova, Postgraduate at the Department of Software Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования ‒ разработка и анализ метода распознавания подагры на ранних стадиях за счёт автоматизированного выявления второго контура на рентгеновских снимках с использованием модифицированного алгоритма Канни и градиентного анализа изображения.
Метод. Предложенный подход сочетает классические методы обработки изображений и современные техники компьютерного зрения. Изображение переводится в оттенки серого, фильтруется по Гауссу, после чего вычисляются горизонтальный и вертикальный градиенты. На их основе определяются модуль и направление общего градиента; нормализация позволяет выделить контрастные участки, а анализ угла градиента позволяет обнаружить характерные для отложений моноурата натрия изменения яркости. Пороговая сегментация, основанная на величине и направлении градиента, используется для классификации зон ‒ субхондральной кости и патологических изменений.
Результаты. Экспериментальные исследования показали, что выделенная зелёная область на распознанном изображении соответствует стабильному градиенту субхондральной кости, тогда как красная область на изображении соответствует хаотичным и резким изменениям, указывающим на кристаллические отложения. Предложенный метод обнаружения подагры в статье продемонстрировал высокую чувствительность даже при слабо выраженных признаках заболевания. Разработана программная модель, обеспечивающая автоматическую обработку и визуализацию результатов диагностики подагры.
Заключение. Предложенный метод эффективно выявляет вторые контуры, характерные для подагры, и позволяет интерпретировать как интенсивность, так и направление градиентов. Это открывает перспек тивы для ранней диагностики, когда традиционные подходы недостаточно информативны. В дальнейшем планируется автоматизация пороговой настройки и интеграция метода в системы машинного обучения
The purpose of the research is development and analysis of a method for early-stage gout recognition through automated detection of the second contour in radiographic images using a modified Canny algorithm and gradient based image analysis.
Methods. The proposed approach integrates classical image processing techniques with modern computer vision methods. The input image is converted to grayscale and smoothed using a Gaussian filter. Horizontal and vertical gradients are then computed, enabling the calculation of the gradient magnitude and direction. Normalization enhances contrast in salient regions, while angular gradient analysis reveals brightness variations characteristic of monosodium urate crystal deposits. Threshold-based segmentation, guided by both gradient magnitude and orientation, is employed to classify regions into subchondral bone and pathological alterations.
Results. Experimental studies demonstrated that the green-highlighted region in the processed image corresponds to the stable gradient of subchondral bone, whereas the red-highlighted region reflects abrupt and chaotic gradient changes indicative of crystal deposits. The proposed gout detection method exhibited high sensitivity even in cases with subtle clinical manifestations. A software model was developed to enable fully automated image processing and visualization of diagnostic results.
Conclusion. The method effectively identifies second contours associated with gout and enables simultaneous interpretation of both gradient intensity and orientation. This capability offers significant promise for early diagnosis when conventional approaches lack sufficient informativeness. Future work will focus on automating threshold selection and integrating the technique into machine learning frameworks
The authors declare that there are no conflicts of interest present.