Оцінка розмірів стороннього тіла легені з застосуванням алгоритмів комп'ютерного зору
PDF

Ключові слова

комп’ютерний зір
спіральна комп’ютерна томографія
легені
сторонні тіла

Як цитувати

Бунін, Ю., Вакулік, Є., Михайлусов, Р., Негодуйко, В., Смеляков, К., & Ясинський, О. (2020). Оцінка розмірів стороннього тіла легені з застосуванням алгоритмів комп’ютерного зору. Експериментальна і клінічна медицина, 89(4), 87-94. https://doi.org/10.35339/ekm.2020.89.04.13

Анотація

Оцінка даних спіральної комп’ютерної томографії має важливе значення для покращення діагностики вогнепальних поранень та розробки подальшої хірургічної тактики. Мета роботи – покращити результати діагностики сторонніх тіл легень шляхом використання алгоритмів комп’ютерного зору. В якості апарату комп’ютерного зору застосовані градаційна корекція знімку, інтервальна сегментація, порогова сегментація, метод тривимірних хвиль, метод головних компонент. Використання алгоритму комп’ютерного зору дозволяє чітко визначити розміри стороннього тіла легені з помилкою від 6,8 до 7,2%, що має значення для поглибленої діагностики та розробки подальшої хірургічної тактики. Методики комп’ютерного зору збільшують деталізацію сторонніх тіл легень та мають значні перспективи застосування при поглибленій обробці даних спіральної комп’ютерної томографії.

Ключові слова: комп’ютерний зір, спіральна комп’ютерна томографія, легені, сторонні тіла.

https://doi.org/10.35339/ekm.2020.89.04.13
PDF

Посилання

Ya.L. Zarutsky, V.Ya. Biliy (Eds.). (2018). Voyenno-polova khirurhiya [Military field surgery]. Kyiv: Phoenix, 552 p. [in Ukrainian].

Tsymbalyuk V.I. (Eds.). (2020). Vohnepalni poranennya myakykh tkanyn (dosvid ATO/OOS) [Gunshot wounds of soft tissues (experience of anti-terrorist operation / environmental protection)]. Kharkiv: Collegium, 400 p [in Ukrainian].

Gonzalez R.C., Richard E. (2018). Woods Digital Image Processing, 4th edition Pearson/Prentice Hall. New York, 1168p.

Smelyakov K.S. (2012) Modeli i metody segmentatsii izobrazheniy obyektov neregulyarnogo vida dlya avtonomnykh sistem tekhnicheskogo zreniya [Models and methods of image segmentation of irregular objects for autonomous systems of technical vision]. Doctor’s theis’s. Kharkov [in Russian].

Obucheniye bez uchitelya: PCA i klasterizatsiya. Lektsii i uchebnik po «Mashinnomu obucheniyu». Kurs 7[Unsupervised Learning: PCA and Clustering. Lectures and textbook on "Machine Learning". Course 7]. intellect.icu. Retrieved from https://intellect.icu/obuchenie-bez-uchitelya-pca-i-klasterizatsiya-7928 [in Russian].

Soifer V.A. (2003). Metody kompyuternoy obrabotki izobrazheniy [Computer image processing methods]. Moscow: Fizmatlit, 784 p. [in Russian].

Forsyth David A. (2015). Jean Ponce Computer Vision: A Modern Approach (2d ed.). Pearson Education Limited, 792p.

Smelyakov K., Chupryna A., Hvozdiev M., Sandrkin D., Martovytskyi V. (2019). Comparative efficiency analysis of gradational correction models of highly lighted image: 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T) (8-11 Oct. 2019). (рр. 703–708). Kyiv, Ukraine.

Smelyakov K., Chupryna A., Hvozdiev M., Sandrkin D. (2019). Gradational Correction Models Efficiency Analysis of Low-Light Digital Image. 2019 Open Conference of Electrical, Electronic and Information Sciences (eStream), (25-25 April 2019). (рр. 34–39). Vilnius, Lithuania.