Диагностика подагры на основе градиентного анализа

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

1. Емельянов А. В. Анализ методов семантической сегментации изображений на основе нейронных сетей // Математические методы в технике и технологиях ‒ ММТТ. 2019. Т. 12-1. С. 195-201. EDN GCGRLL

2. Брянская Е. О. Возможности применения сверточных нейронных сетей для классификации состояний верхнечелюстных пазух при цифровой диафаноскопии // Фундаментальные и прикладные проблемы техники и технологии. 2022. № 6(356). С. 106-111. https://doi.org/10.33979/2073-7408-2022-356-6-106-111. EDN MBAOAV

3. Щетинин Е. Ю. Обнаружение коронавирусной инфекции COVID-19 на основе анализа рентгеновских снимков грудной клетки методами глубокого обучения // Компьютерная оптика. 2022. Т. 46, № 6. С. 963-970. https://doi.org/10.18287/2412-6179-CO1077. EDN SJAPDT

4. Нгуен Т. К., Сырямкин В. И., Нгуен Ч. Х. Т. Модель метода распознавания объектов на изображениях с использованием «сверточной нейронной сети ‒ CNN» // Современные наукоемкие технологии. 2020. № 12-2. С. 269-280. https://doi.org/10.17513/snt.38445

5. Семенов М. Е., Заблоцкая Т. Ю. Выбор модели биологической нейронной сети для сегментации изображения биожидкостной поверхности // Вестник КРАУНЦ. Физико-математические науки. 2019. Т. 26, № 1. С. 78-93. https://doi.org/10.26117/2079-6641-2019-26-1-78-93

6. Осмоловский И. С., Зарубина Т. В. Разработка и апробация прототипа экспертной системы для диагностики подагры // Социальные аспекты здоровья населения. 2023. Т. 69, № 4. https://doi.org/10.21045/2071-5021-2023-69-4-15. EDN OFVRSI

7. Суставной синдром у больного с подагрой и субклинической иерсиниозной инфекцией: сложности диагностики и лечения / Н. В. Воронина, В. Ю. Булкина, М. А. Ситников [и др.] // Дальневосточный медицинский журнал. 2024. № 3. С. 96-99. https://doi.org/10.35177/1994-5191-2024-3-16. EDN DVSLCT

8. Бобырь М. В., Кулабухов С. А. Моделирование процесса управления температурным режимом в зоне резания на основе нечеткой логики // Проблемы машиностроения и надежности машин. 2017. № 3. С. 76-82.

9. Маннаа А. С. Алгоритм обработки рентгеновских изображений с использованием нечеткой логики // Advanced Engineering Research (Rostov-on-Don). 2024. Т. 24, № 3. С. 293-300. https://doi.org/10.23947/2687-1653-2024-24-3-293-300

10. Разработка алгоритмов обработки изображений интеллектуальными мобильными роботами на основе нечеткой логики и нейронных сетей / Ч. Х. Аунг, З. П. Тант, А. Р. Федоров, П. А. Федоров // Современные проблемы науки и образования. 2014. № 6. С. 53.

11. Voskoboinikov Yu. E. A locally adaptive wavelet filtering algorithm for images // Analysis and Data Processing Systems. 2023. N 1(89). P. 25-36. https://doi.org/10.17212/2782-2001-2023-1-25-36

12. Баталов В. Г., Васильев А. Ю. Анализ яркости отраженного света для определения структурных изменений в потоке жидкости от распыливающего устройства // Вестник Пермского университета. Физика. 2024. № 4. С. 72-77. https://doi.org/10.17072/1994-3598-2024-4-72-77. EDN NENIHN

13. Аннотированный анализ данных трехмерной оптической когерентной томографии сетчатки для создания интеллектуальной базы данных / Е. Ю. Малахова, Д. С. Мальцев, А. Н. Куликов, А. А. Казак // Оптический журнал. 2019. Т. 86, № 11. С. 59-65. https://doi.org/10.17586/1023-5086-2019-86-11-59-65. EDN DAEECX

14. Еремеев А. П., Ивлиев С. А. Разработка базы данных и конвертера для извлечения и анализа специализированных данных, получаемых с медицинского аппарата // Программные продукты и системы. 2019. № 3. С. 512-517. EDN GFELXG

15. Краснов Ф. В. Выявление ошибок разметки данных с помощью моделей классификации для небольших наборов данных // International Journal of Open Information Technologies. 2023. Vol. 11, N 5. P. 54-62. EDN KFACTJ

16. Петров Н. В., Смородин Д. А., Иванов Е. Р. Разработка прототипа мобильного приложения для выявления и анализа злокачественных новообразований кожи на основе компьютерного зрения // Chronos: мультидисциплинарные науки. 2022. Т. 7, № 11(73). С. 97-100.

17. Булыгина О. В., Кулясов Н. С., Ярцев Д. Д. Направления модификации алгоритма искусственной пчелиной семьи для оптимизации параметров управления сложными системами // Журнал прикладной информатики. 2024. Т. 19, № 1(109). С. 28-37. https://doi.org/10.37791/2687-0649-2024-19-1-28-37

18. Дергачев К. О. Генерация синтетических данных для задач линейной регрессии // Modern Economy Success. 2024. № 6. С. 383-388. https://doi.org/10.58224/2500-3747-2024-6-383-388. EDN MSNIJY

19. Родзин С. И., Родзина О. Н., Эль-Хатиб С. А. Гибридный муравьиный алгоритм сегментации медицинских изображений // Вестник Чувашского университета. 2017. № 3. С. 262-272.

20. Pinto-Coelho L. How Artificial Intelligence Is Shaping Medical Imaging Technology: A Survey of Innovations and Applications // Bioengineering. 2023. N 10(12). P. 1435. https://doi.org/10.3390/bioengineering10121435

21. Combined Edge Loss UNet for Optimized Segmentation in Total Knee Arthroplasty Preoperative Planning / L. Marsilio, A. Moglia, M. Rossi, A. Manzotti, L. Mainardi, P. Cerver // Bioengineering. 2023. N 10(12). P. 1433. https://doi.org/10.3390/bioengineering1012143