Архив номеров
Медицинская Техника / №2, 2016 / с. 26-28

Метод автоматизированной сегментации изображений коры головного мозга по данным магнитно-резонансной томограммы

                                

В.А. Рябых


Аннотация

Кратко рассмотрена проблема дифференциации определенных заболеваний головного мозга, проявляющихся в виде незначительного изменения толщины серого вещества головного мозга. Изучены способы дифференциации, и представлен алгоритм, позволяющий точно выделять кору мозга на томограммах и оценивать изменения ее толщины.


Сведения об авторах

Владислав Александрович Рябых, инженер кабинета МРТ, ЛОГБУЗ «ДКБ» (Ленинградская областная детская клиническая больница), г. С.-Петербург,
e-mail: vladislavf50@yandex.ru

Список литературы

1. Yu Huang, Jacek P.D., Yuzhuo Su et al. Automated MRI segmentation for individualized modeling of current flow in the human head // Journal of Neural Engineering. 2013. № 6 (10). Р. 066004.
2. Afzali M., Soltanian-Zadeh H. Сomparison of voxel-based morphometry (vbm) and tractography of diffusion tensor MRI (dt-MRI) in temporal lobe epilepsy / ICEE 18th Iranian conference on electrical engineering. 2010. РР. 18-24.
3. Dogdas B., Shattuck D.W., Leahy R.M. Segmentation of the skull in 3D human MR images using mathematical morphology / Proceedings of SPIE Medical Imaging Conference, San Diego, USA. 2002. Vol. 4684. РР. 1553-1562.
4. Reddick W.E., Glass J.O., Cook E.N. et al. Automated segmentation and classification of multispectral magnetic resonance images of brain using artificial neural networks // IEEE Transactions on Medical Imaging. 1997. № 16 (6). РР. 911-918.
5. Верхлютов В.М., Гапиенко Г.В. Обзор методов сегментации и триангуляции данных МРТ. – М.: Институт высшей нервной деятельности и нейрофизиологии РАН, 2005. С. 2-18.
6. Карташов П.П., Львов А.А. Оценивание объема патологических областей мозга по изображениям магнитно-резонансной томограммы // Вестник Саратовского государственного университета. 2009. Т. 3. № 1. С. 90-100.
7. Казанкова О.С., Казначеева А.О. Возможности программных пакетов для сегментации томограмм головного мозга и количественной оценки тканей // Альманах современной науки и образования. 2015. № 5 (95). С. 75-78.
8. Сизиков В.С. Обратные прикладные задачи и MatLab. Учебное пособие. – СПб.: Лань, 2011. 256 с.
9. Магонов Е.П., Катаева Г.В., Трофимова Т.Н. Автоматическая сегментация очагов в белом веществе головного мозга // Лучевая диагностика и терапия. 2014. Т. 1. № 3. С. 37.
10. Chupin M., Hammers A. et al. Automatic segmentation of the hippocampus and the amygdala driven by hybrid constraints: Method and validation // Neuroimage. 2009. № 46. РР. 749-761.
11. Трофимова Т.Н., Парижский З.М., Суворов А.С., Казначеева А.О. Физико-технические основы рентгенологии, компьютерной и магнитно-резонансной томографии. Фотопроцесс и информационные технологии в лучевой диагностике. – СПб.: Издательский дом СПбМАПО, 2007. 192 с.
12. Анисимов Н.В., Пирогов Ю.А. Селекция тканей по временам релаксации в магнитно-резонансной томографии // Альманах клинической медицины. 2008. № 17-1. С. 147-150.
13. Зубрицкий А.B., Тютюкин К.В. Применение цифровой обработки для улучшения МРТ изображений / Сборник тезисов Spinus 2013. С. 114.
14. Стругайло В.В. Обзор методов фильтрации и сегментации цифровых изображений // Наука и образование. 2012. Эл. № ФС 77-48211. С. 270-281.
15. Монич Ю.И., Старовойтов В.В. Оценки качества для анализа цифровых изображений // Искусственный интеллект. 2008. № 4. С. 376-386.