Применение алгоритмов обработки изображений для улучшения визуализации структур поджелудочной железы

Целью исследования является разработка и сравнительный анализ различных методов обработки медицинских изображений с целью оптимизации визуализации структур поджелудочной железы. Основной задачей является выявление наиболее эффективного метода обработки изображений для достижения наилучшего качества визуализации, что, в свою очередь, имеет важное значение для точной диагностики и лечения пациентов с патологиями поджелудочной железы.
Методы. В рамках нашего исследования были применены различные методы, включая анализ огромного библиографического материала, использование разнообразных инструментов для сбора данных и привлечение экспертных знаний и подходов.
Результаты. Полученные результаты обсуждаются с учетом практической значимости для медицины. Оптимизация визуализации поджелудочной железы с помощью различных методов обработки изображений может существенно улучшить точность диагностики ее заболеваний. Улучшенная визуализация позволяет более точно выявлять и анализировать патологические изменения, что способствует раннему выявлению заболеваний и более эффективному лечению пациентов. Это может способствовать дальнейшему улучшению методов диагностики и лечения заболеваний поджелудочной железы, повышая качество медицинского обслуживания.
Заключение. Разные методы сегментации, такие как пороговая обработка, машинное обучение и активные контуры, имеют свои преимущества и ограничения в визуализации структур поджелудочной железы. Выбор оптимального метода зависит от конкретной задачи и требований к точности и скорости обработки изображений. Дальнейшие исследования должны сосредоточиться на разработке более эффективных алгоритмов сегментации и их применимости в клинической практике для улучшения диагностики и лечения заболеваний поджелудочной железы.

1. Диффузионно-взвешенная магнитно-резонансная томография в диагностике инсулиномы поджелудочной железы: клинический случай / М. Ю. Юкина, Н. Ф. Нуралиева, Е. А. Трошина [и др.] // Альманах клинической медицины. 2018. Т. 46, № 3. С. 289–295. EDN XULSYH. https://doi.org/10.18786/2072-0505-2018-46-3-289-295

2. Губергиц Н. Б., Крылова Е. А., Гравировская Н. Г. Структурные особенности поджелудочной железы у больных различными клинико-морфологическими формами хронического панкреатита // Медицинский алфавит. 2019. Т. 2, № 13(388). С. 34–38. EDN QTPGGI. https://doi.org/10.33667/2078-5631-2019-2-13(388)-34-38

3. Модели и алгоритмы дифференциальной диагностики очаговых образований поджелудочной железы по результатам эндосонографии с использованием технологии мягких вычислений / В. А. Белозеров, О. И. Охотников, Н. А. Кореневский, Н. Н. Григорьев // Диагностическая и интервенционная радиология. 2023. Т. 17, № 1. С. 49–58. EDN OUQVUT. https://doi.org/10.25512/DIR.2023.17.1.05

4. Максимова А. А. Анализ методов обработки медицинских данных // Моделирование, оптимизация и информационные технологии. 2016. № 2(13). С. 5. EDN WHAYLP

5. Нестеров Д. В., Розенгауз Е. В. Сравнительная оценка качества изображения поджелудочной железы при спиральной и динамической компьютерной томографии // Лучевая диагностика и терапия. 2013. № 1(4). С. 58–62. EDN PYZLBN

6. Николаева И. В., Рамазан А. Б., Цой О. Г. Ультразвуковая диагностика рака поджелудочной железы // Медицинский журнал Астана. 2019. № 2(100). С. 154–160. EDN LPSYTM

7. Методы оптической биопсии и их перспективы применения для интраоперационного анализа тканевого метаболизма и микроциркуляции крови в мини-инвазивной хирургии / К. Ю. Кандурова, В. В. Дремин, Е. А. Жеребцов [и др.] // Регионарное кровообращение и микроциркуляция. 2018. Т. 17, № 3(67). С. 71–79. EDN YAUORV. https://doi.org/10.24884/1682-6655-2018-17-3-71-79

8. Барзенков А. В. Гибридная интеллектуальная система c элементами когнитивного моделирования для диагностики болезней поджелудочной железы // Перспективы науки. 2019. № 5(116). С. 191–194. EDN IAFBWC

9. Кожухарь Б. В. Основы обработки медицинских изображений // Новая наука: Современное состояние и пути развития. 2016. № 5-2. С. 189–192. EDN VVVPPB

10. Диагностическая значимость трехмерных реконструкций КТ-изображений у пациентов с протоковой аденокарциномой поджелудочной железы / Г. Г. Кармазановский, Я. И. Нерестюк, А. Г. Кригер, А. В. Хайриева // Российский электронный журнал лучевой диагностики. 2017. Т. 7, № 1. С. 69–76. EDN YMFRXX. https://doi.org/10.21569/2222-7415-2017-7-1-69-76

11. Хоружик С. А., Михайлов А. Н. Основы КТ-визуализации Часть 2. Постпроцессинговая обработка изображений // Радиология – практика. 2011. № 4. С. 52–65. EDN NYBQMX

12. Кондратова Г. М., Митьков В. В., Брюховецкий Ю. А. Технология трехмерного ультразвукового исследования желчного пузыря // Ультразвуковая и функциональная диагностика. 2007. № 3. С. 14–27. EDN JWWSNZ

13. Бойко Д. А., Филатова А. Е. Метод визуализации патологических структур на маммограммах // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. 2013. № 39(1012). С. 9–14. EDN RCNMQJ

14. Дубровин А. В., Кошкаров А. А. От PACS к телерадиологии // Врач и информационные технологии. 2017. № 3. С. 106–111. EDN ZGYVPN

15. Коваленко А. С., Пезенцали А. А., Царенко Е. К. Подготовка медицинских изображений к обработке в больших информационных хранилищах // Кибернетика и вычислительная техника. 2014. № 2(176). С. 46–53. EDN QRQXTB

16. Возможности компьютерной томографии в оценке качества хирургического лечения у пациентов с опухолями правой половины ободочной кишки / А. А. Холева, Т. А. Агабабян, А. А. Невольских [и др.] // Колопроктология. 2024. Т. 23, № 3(89). С. 87–99. EDN YLQXDK. https://doi.org/10.33878/2073-7556-2024-23-3-87-99

17. Радиомика и анализ текстур цифровых изображений в онкологии (обзор) / А. А. Литвин, Д. А. Буркин, А. А. Кропинов, Ф. Н. Парамзин // Современные технологии в медицине. 2021. Т. 13, № 2. С. 97–106. EDN AITKVR. https://doi.org/10.17691/stm2021.13.2.11.

18. Обухова Н. А., Мотыко А. А. Методы обработки и анализа медицинских ТВ изображений // Телевидение: передача и обработка изображений. 2016. Т. 1. С. 10–15. EDN XINNSJ

19. Первый опыт применения технологии дополненной цифровой реальности (AR) в реконструктивной хирургии желчных протоков / А. В. Святненко, А. Е. Демко, Д. А. Суров [и др.] // Вестник Национального медико-хирургического центра им. Н. И. Пирогова. 2024. Т. 19, № 2. С. 159–163. EDN XWMXXS. https://doi.org/10.25881/20728255_2024_19_2_159

20. Козарь Р. В., Навроцкий А. А., Гуринович А. Б. Методы распознавания медицинских изображений в задачах компьютерной диагностики // Известия Гомельского государственного университета имени Ф. Скорины. 2020. № 3(120). С. 116–121. EDN HJRPNR