• Медицинская визуализация в последние годы привлекает всё больше внимания благодаря своей ключевой роли в приложениях здравоохранения.
  • Технология компьютерного зрения показала широкие возможности применения в хирургии и терапии некоторых заболеваний.

Исследования в области компьютерного зрения, обработки изображений и распознавания образов за последние десятилетия достигли значительных успехов. Кроме того, медицинская визуализация в последние годы привлекает всё больше внимания благодаря своей важнейшей роли в приложениях здравоохранения. Исследователи опубликовали множество фундаментальных научных данных, документирующих прогресс и применение медицинской визуализации в здравоохранении.

Анализ медицинских изображений

Эта тема посвящена улучшениям и новым методам анализа медицинских изображений. Прежде всего, интеграция мультимодальной информации из различных методов диагностической визуализации необходима для полной характеристики исследуемой области. Поэтому регистрация изображений стала критически важной как для качественной визуальной оценки, так и для количественного мультипараметрического анализа в исследовательских приложениях. S. Monti et al.

в Италии в работе «An Evaluation of the Benefits of Simultaneous Acquisition on PET/MR Coregistration in Head/Neck Imaging» сравнивают и оценивают эффективность традиционных методов регистрации, применяемых к ПЭТ и МРТ, полученным как отдельные модальности, с результатами, достигаемыми при автоматической регистрации в гибридной системе ПЭТ/МРТ, в таких сложных анатомических областях, как голова и шея (HN). Экспериментальные результаты показывают, что гибридная ПЭТ/МРТ обеспечивает более высокую точность регистрации, чем ретроспективно совмещённые изображения.

Читайте также:Что такое машинное обучение и компьютерное зрение?

Читайте также:5 применений компьютерного зрения

Компьютерное зрение для прогностического анализа и терапии

Компьютерное зрениеТехнологиякомпьютерного зренияпоказала широкие возможности применения в хирургии и терапии некоторых заболеваний. В последнее время технологии трёхмерного (3D) моделирования и быстрого прототипирования стимулировали развитие методов медицинской визуализации, таких как КТ и МРТ. P. Gargiulo et al. в Исландии в работе «New Directions in 3D Medical Modeling: 3D-Printing Anatomy and Functions in Neurosurgical Planning» сочетают КТ- и МРТ-изображения с DTI-трактографией и используют протоколы сегментации изображений для 3D-моделирования основания черепа, опухоли и пяти функционально значимых пучков волокон. Авторы предлагают потенциально ценный терапевтический подход для продвинутой подготовки нейрохирургических операций.

Пожилые люди подвержены падениям, которые вредят их организму и, как следствие, оказывают на них серьёзное негативное психологическое воздействие. T.-H. Lin et al. на Тайване в работе «Fall Prevention Shoes Using Camera-Based Line-Laser Obstacle Detection System» разрабатывают интересную систему обнаружения препятствий с помощью линейного лазера для предотвращения падений у пожилых людей.

В этой системе лазерная линия проходит через горизонтальную плоскость на определённой высоте над полом, а оптическая ось камеры имеет определённый угол наклона к плоскости, что позволяет камере наблюдать лазерный узор и обнаруживать потенциальные препятствия. К сожалению, эта система в основном подходит для применения внутри помещений, а не на открытом воздухе.

Фундаментальные алгоритмы для медицинской визуализации

Сегментация органов является обязательным условием для системСАПР. Действительно, алгоритм сегментации является наиболее важным и фундаментальным для обработки изображений, а также повышает точность прогнозирования и терапии заболеваний. C. Pan et al. в Китае в работе «Leukocyte Image Segmentation Using Novel Saliency Detection Based on Positive Feedback of Visual Perception» используют полигармонический ансамблевый метод экстремального обучения (EPELM) и положительную обратную связь восприятия для обнаружения значимых объектов; в отличие от существующих алгоритмов, этот подход полностью основан на данных и не требует предварительных знаний или размеченных образцов. Модуль положительной обратной связи на основе EPELM фокусируется на области фиксации, усиливая объекты, подавляя шумы и способствуя насыщению восприятия. Эксперименты на нескольких стандартных базах изображений показывают, что новый алгоритм превосходит традиционные алгоритмы обнаружения значимости, а также успешно сегментирует ядросодержащие клетки в различных условиях визуализации.

Эти исследования указывают на критическую потребность в клинических и теоретических подходах к медицинским изображениям. В этом блоге представлены различные новые разработки в области компьютерного зрения, касающиеся медицинской визуализации и клинических применений.