Автоматизированные системы обработки медицинских изображений доклад
Обновлено: 02.07.2024
1 Федеральное государственное бюджетное учреждение науки Вычислительный центр Дальневосточного отделения Российской академии наук
Информационные технологии наравне с ядерной медициной являются важнейшими составляющими прогресса в области высокотехнологичной медицины. Радионуклидная диагностика невозможна без высокопроизводительных вычислительных комплексов и адекватного математического и программного обеспечения задач своевременного принятия решений. Для оперативных задач медицинской диагностики разработаны принципы компьютерного автоматизированного анализа медицинских изображений различных участков и органов тела. Приведено описание основных методов и математические модели распознавания медицинских изображений. Модели строятся на основе методов Cобеля и Канни. Разработана система автоматизированной компьютерной диагностики по данным радионуклидной диагностики, основанная на принципах распознавания образов и обладающая функциями экспертного анализа медицинских изображений.
2. Ватутин Э.И., Мирошниченко С.Ю., Титов В.С. Программная оптимизация оператора Собела с использованием SIMD – расширений процессоров семейства x86 // Телекоммуникации. 2006. № 6. C. 12–16.
3. Власов А.В., Цапко И.В. Модификация алгоритма Канни применительно к обработке рентгенографических изображений // Вестник науки Сибири. 2013. № 4(10). С.120–127.
4. Виллевальде А.Ю., Юлдашев 3.М. Метод предварительной обработки медицинских малоконтрастных изображений // Информационно-управляющие системы. 2008. № 5(36). С.41– 44.
6. Гостюшкин В.В., Коваленко В.Л., Косых Н.Э., Савин С.З. Методы повышения эффективности компьютерных автоматизированных технологий в задачах радионуклидной диагностики // Врач и информационные технологии. 2013. № 6. С.42–48.
7. Косых Н.Э., Смагин С.И., Гостюшкин В.В., Савин С.З., Литвинов К.А. Система автоматизированного компьютерного анализа медицинских изображений // Информационные технологии и вычислительные системы. 2011. № 3. С.52–60.
8. Никитин О.Р., Пасечник А.С. Оконтуривание и сегментация в задачах автоматизированной диагностики патологий // Методы и устройства передачи и обработки информации. 2009. № 11. С.300–309.
10. Canny J.A. Computational approach to edge detection // IEEE Transactions on pattern analysis and machine intelligence. 1986, no. 6, pp. 679–698.
11. Doronicheva A.V., Sokolov A.A., Savin S.Z. Using Sobel operator for automatic edge detection in medical images // Journal of Mathematics and System Science, 2014, vol.4, no. 4, pp. 257 – 260.
12. Engel K., Hadwiger M., Kniss J., Rezk – Salama C. Real – Time Volume Graphics. A K. Peters Wellesley M.A. 2006, pp.112–114.
13. Kosykh N.E., Gostuyshkin V.V., Savin S.Z., Vorojztov I.V. Designing the systems of computer diagnostics of medical images // Proc. of The First Russia and Pacific Conference on Computer Technology and Applications (RPC 2010). Vladivostok, Russia. 6–9 September, 2010. 4 p.
Постановка задачи анализа медицинских изображений
Объекты интереса исследователя на медицинских изображениях, используемых в ранней диагностике, обычно бывают небольшими и малоконтрастными по сравнению с окружающим фоном. При визуальном обнаружении этих объектов – выполнении первого шага на пути диагностики по медицинскому изображению – могут возникнуть проблемы. С одной стороны, они обусловлены указанными особенностями самих изображений, с другой – ограниченностью характеристик зрительной системы исследователя и искажениями, возникающими в изображениях при их получении и отображении [1]. Исследование функций и особенностей работы современных специализированных систем для анализа и обработки медицинских изображений в различных целях показало, что эти системы обладают рядом недостатков. Основным недостатком представляется то, что большинство из систем содержит лишь широкий набор методов анализа и обработки изображений, доступный исследователю, без указаний, какой именно метод должен быть применен для достижения поставленной цели преобразования. В связи с этим выявлены следующие проблемы: невозможно гарантированно осуществить оптимальный (в смысле достижения поставленной цели преобразования) выбор метода (или комбинации методов) для обработки изображений, поскольку этот выбор основывается лишь на знаниях и опыте пользователя; осуществить перебор всех имеющихся в распоряжении исследователя методов (и их сочетаний) для достижения наилучшего результата обработки невозможно, поскольку это будет слишком затратным по времени. Поэтому для улучшения работы систем анализа и обработки медицинских изображений, очевидно, необходим метод, обеспечивающий автоматизированный выбор преобразования изображения [4,5]. При обработке и анализе изображений выделяют следующие основные этапы: фильтрация; предварительная обработка; сегментация; распознавание; диагностика. От результатов фильтрации и предварительной обработки напрямую зависит эффективность последующих этапов обработки изображений [12,14]. Этап фильтрации необходим для уменьшения разнообразных помех. Существуют различные типы фильтров: низкочастотные, высокочастотные, медианные, адаптивные и другие виды цифровых фильтров. В цифровой обработке изображений широко используется линейная фильтрация. Она базируется на использовании быстрых алгоритмов свертки. Статические маски фильтров не всегда гарантируют приемлемый результат, т.к. линейные фильтры приводят к сглаживанию перепадов яркости, а это в свою очередь усложняет задачу выделения границ. Нелинейная фильтрация имеет ряд преимуществ по сравнению с линейной: меньше искажает перепады яркости, что дает возможность точнее находить границы объектов и убирает импульсные помехи. Еще один вид фильтрации – это адаптивная фильтрация. Данный тип фильтрации обладает рядом преимуществ, таких как: локальная фильтрация, изменение локальной маски фильтра и размера апертуры фильтра [4,7]. Методы, используемые на этапе предварительной обработки, зависят от задач исследований, и они достаточно разнообразны. Они могут включать выделение наиболее информативных фрагментов, их увеличение, цветокартирование, изменение пространственного разрешения, изменение контрастного разрешения и т.п. [1,4,9]. Одни из основных действий, которые проводятся на этапе предварительной обработки, это изменение контрастности и яркости изображения. Методы изменения контрастности и яркости делятся на линейные, нелинейные и адаптивные. При применении соответствующих масок можно соединить два этапа (этап фильтрации и этап предварительной обработки) для обеспечения быстродействия. Этап предварительной обработки также предусматривает геометрические операции над изображением. К ним относится методы поворота изображения, увеличения и уменьшения изображения.
Сегментация медицинских изображений
Конечный результат анализа изображений во многом определяется качеством сегментации, а степень детализации выделяемых характеристик зависит от конкретной задачи [8,14]. Поэтому не существует отдельного метода или алгоритма, подходящего для решения всех типов задач сегментации – каждый из методов имеет свои достоинства и недостатки. Сегментация предназначена для выделения на изображениях областей с определёнными свойствами. Такие области обычно соответствуют объектам или их частям, которые определяют исследователи. Результатом сегментации является бинарное или иерархическое (мультифазное) изображение, в котором каждый уровень (фаза) изображения соответствует конкретному классу выделенных объектов. Сегментация является сложным моментом в обработке и анализе медицинских изображений биологической ткани, так как необходимо выделять области, соответствующие различным объектам или структурам на гистологических препаратах: клеткам, органоидам, артефактам и т.д. Это связано с высокой вариабельностью их характеристик, слабой контрастностью обрабатываемых изображений и сложной геометрической организацией объектов. По математическому аппарату, используемому для реализации методов сегментации, они делятся на три вида: пороговая сегментация; морфологическая сегментация; объединение (наращивание) областей [9].
В решении задачи сегментации с использованием реальных снимков моделирование мало применимо, большее значение имеют практический опыт и экспертные суждения о результатах обработки изображений. Одним часто реализуемым программно методом является Canny. Практически это набор последовательно применяемых алгоритмов [7,10]. Такой подход устойчив к шуму и дает, как правило, лучшие результаты по сравнению с другими методами. Но так как это лишь набор алгоритмов, то и быстродействие данного метода уступает более простым операторам. Алгоритм Canny состоит из четырех этапов: размытие изображения (уменьшается дисперсия аддитивного шума на изображении); дифференцирование размытого изображения и вычисления значений градиента в направлении x и направлении y; не максимальное подавление; пороговая обработка [3]. В случае двух измерений эта формула задает поверхность, имеющую вид концентрических окружностей с распределением Гаусса от центральной точки. Пиксели, где распределение отлично от нуля, используются для построения матрицы свертки, которая применяется к исходному изображению. При этом значение каждого пикселя становится средневзвешенным для окрестности. Исходное значение пикселя принимает наибольший вес (имеет наивысшее Гауссово значение), и соседние пиксели принимают меньшие веса в зависимости от расстояния до них [10]. В теории распределение в каждой точке изображения будет ненулевым, что потребовало бы вычисление весовых коэффициентов для каждого пикселя изображения. Но на практике, когда рассчитывается дискретное приближение функции Гаусса, не учитывают пиксели на расстоянии свыше 3σ, т.к. они достаточно малы. Таким образом, программе, фильтрующей изображение, достаточно рассчитать матрицу [6σ]×[6σ], чтобы гарантировать достаточную точность приближения распределения Гаусса [5,9]. Далее происходит поиск градиента области при помощи свертки сглаженного изображения с производной от функции Гаусса как в вертикальном, так и в горизонтальном направлениях. Используем оператор Собеля для решения этой задачи. Процесс основан на простом перемещении маски фильтра от точки к точке изображения. В каждой точке (x,y) отклик фильтра вычисляется с использованием предварительно заданных связей. Для данного шага используем следующие матрицы:
Gx и Gy – две матрицы, где каждая точка содержит приближенные производные по x и по y. Они вычисляются путем умножения матрицы Gx и Gy и суммированием обоих матриц, в результате полученный результат записывается в текущие координаты x и y в новое изображение.
Достоинством алгоритма Canny является то, что при обработке изображения происходит адаптация к его особенностям. Это достигается путем ввода двухуровневого порога отсечения избыточной информации. Назначается два уровня порога, верхний – phigh и нижний – plow, где phigh>plow. Значения пикселей выше значения phigh идентифицируются как принадлежащие границе. При формировании текущей границы соседние пиксели со значениями величины градиента меньшими, чем рhigh, считаются принадлежащими границе до тех пор, пока они превышают рlow. В том случае, когда на всей границе нет ни одной точки со значением, большим верхнего порога, она удаляется. Такой подход позволяет получить довольно четкие границы объекта толщиной в один пиксель [11]. На рис. представлены результаты КАД – анализа изображения с применением оператора Собеля.
Медицинское изображение после применения оператора Собеля
Выводы
Результаты проведенных по гранту РФФИ №13 – 07 – 00667 исследований демонстрируют преимущество предложенного нами подхода к прогнозированию течения метастатического поражения скелета, регистрации динамических изменений данного органа, интеграционного анализа результатов комплексного исследования онкологических больных. Инновационный взгляд на рутинную обработку данных радионуклидных исследований может способствовать развитию нового направления медицинской информатики – ядерной биоинформатики. Ожидается встречный интерес к созданному программному комплексу со стороны разработчиков и производителей медицинского оборудования и практических врачей – радиологов, лучевых диагностов и других специалистов.
Рецензенты:
Кривошеев И.А., д.т.н., зав. лабораторией, Вычислительный центр ДВО РАН, г. Хабаровск.
Автоматизированные системы обработки кривых и изображений являются самыми многочисленными среди разработанных систем. Разные авторы называют их по-разному: АС клинико-лабораторных исследований, медицинские приборно-компьютерные системы, измерительные или микропроцессорные медико-технологические системы и т.д. Такое разнообразие частично объясняется тем, что с самого начала разработки (конец 1960 —начало 1970-х гг.) их развитие шло двумя путями:
1) подключением медицинской аппаратуры к ЭВМ;
2) оснащением специализированными микропроцессорными устройствами медицинской аппаратуры.
Первый способ развития АС для обработки медицинских сигналов и изображений осуществлялся в вузах, клинических НИИ; второй — в технических НИИ, на заводах и фирмах, производящих медицинскую аппаратуру. Оба пути имели свои достоинства и недостатки. Постепенно шло их сближение. В настоящее время АС для обработки медицинских сигналов и изображений, сопоставимые по целевому назначению, но построенные разными способами, обладают практически одинаковыми возможностями. Среди них широкое распространение получили АС для функциональной, ультразвуковой, лабораторной и морфологической диагностики.
Техническое обеспечение АС обработки медицинских сигналов и изображений включает:
· средства для съема информации;
· средства для измерения, преобразования, аппаратной фильтрации, усиления сигналов;
· вычислительные средства для обработки сигналов.
При регистрации кривых и изображений осуществляется преобразование физических характеристик организма в электрические сигналы. Получаемые кривые (электрокардиограмма, реограмма, пневмотахограмма, капнограмма, фотоплетизмограмма и др.) являются аналоговыми (непрерывными) сигналами. Современная вычислительная машина может обрабатывать информацию, представленную только в цифровой форме. Аналого-цифровой преобразователь (АЦП) является стандартным устройством для преобразования непрерывного сигнала в дискретную цифровую форму.
Суть аналого-цифрового преобразования сводится к многократным, сделанным с определенной частотой, измерениям напряжения вводимого аналогового сигнала. Частота, с которой осуществляется преобразование, называется частотой дискретизации сигнала. Она измеряется в герцах.
Любой периодический сигнал можно представить набором синусоид. Чем чаще изменяется сигнал, тем больше синусоид нужно для его описания. Представление сигнала как набора синусоид называется его спектром. Чтобы получить представление сигнала в цифровой форме, достаточное для выявления характерных точек, которые необходимы для обработки сигнала, частота дискретизации должна вдвое превышать максимальную частоту его спектра.
Для оцифровки кардиологических кривых используется большая частота дискретизации, чем для респираторных: например, для электрокардиографического сигнала используется частота дискретизации 500 Гц, реографического — 100, а капнографического — 25 Гц.
Полученный в результате оцифровки аналогового сигнала цифровой массив обрабатывается с помощью специальных алгоритмов. Алгоритмы для ввода, обработки медицинских сигналов и изображений, а также построения заключений составляют основу программного обеспечения таких систем.
В самом простом и до сих пор распространенном варианте суть обработки сигналов сводится к поиску характерных точек (минимумов, максимумов, перегибов, переходов через нулевое значение и т.д.), расчету временных интервалов и амплитуд, необходимых для получения величин физиологических параметров.
Автоматизированные системы для обработки изображений имеют специфику как по применяемым средствам для съема информации, так и по используемым специализированным алгоритмам обработки. Важное значение имеют характеристики регистрируемого изображения, особенности выведения его на экран (число точек по вертикали и горизонтали, число градаций степеней яркости, особенности цветопередачи и т.д.). В таких системах обязательно должны реализовываться возможности выделения контура исследуемых областей, изменения контрастности, масштабирование. В результате обработки должно получаться новое изображение, лучше исходного, в частности возможно создание и псевдотрехмерного изображения.
При построении заключений в АС обработки медицинских сигналов и изображений используются разные методы и подходы (см. подразд. 7.3 и 7.4).
Кроме специализированных алгоритмов для ввода и обработки сигналов и изображений программное обеспечение таких систем включает встроенную БД для хранения архива сигналов, изображений, заключений, а также интерфейс, обеспечивающий взаимодействие медицинского работника с АС. В последнее время в связи с появлением очень больших по объему изображений (типа МРТ) такие архивы сохраняются не на ПК, а в специальных хранилищах на дисковых массивах серверов.
Таким образом, современная АС обработки медицинских сигналов и изображений позволяет осуществлять:
1) настройку на исследование: ввод паспортных, антропометрических данных, определение объема и режима исследования, ввод специализированной информации после установки датчиков на пациента;
2) проведение исследования с визуализацией кривых, изображений (при необходимости в режиме реального времени), возможностями остановки изображения, выбора необходимых участков для анализа, занесение в БД;
3) построение заключения с визуализацией результата в табличной и графической форме, облегчающей интерпретацию данных;
4) получение твердых копий (распечатку) как исходных сигналов, так и всех результатов;
5) работу с БД системы.
Трудно назвать физиологический сигнал, обработка которого в большей или меньшей степени не была бы автоматизирована. В настоящее время обработку сигналов и изображений осуществляют в Научном центре сердечно-сосудистой хирургии (НЦССХ) им. А. Н. Бакулева, Московском областном научно-исследовательском клиническом институте (МОНИКИ) им. М.Ф. Владимирского, МГУ им. М.В.Ломоносова, МИФИ, МГТУ им. Н.Э.Баумана, других государственных учреждениях, многочисленных отечественных и зарубежных фирмах и организациях.
К сожалению, широко внедряемых АС обработки медицинских сигналов и изображений немного. Причин этому, как объективных, так и субъективных, несколько. Автоматизированные системы для обработки сигналов и изображений отличаются по используемым алгоритмам и вычислительной технике, возможностям расчета производных показателей и построения заключений, настройке на конкретную медицинскую аппаратуру и т.д. Тем не менее, рынок АС обработки медицинских сигналов и изображений (для отделений функциональной диагностики, лабораторной диагностики и др.) заполнен как зарубежными, так и отечественными системами, и пришло время для исследования его качественного состава.
Вы можете изучить и скачать доклад-презентацию на тему Система обработки изображений в медицине. Презентация на заданную тему содержит 15 слайдов. Для просмотра воспользуйтесь проигрывателем, если материал оказался полезным для Вас - поделитесь им с друзьями с помощью социальных кнопок и добавьте наш сайт презентаций в закладки!
Для получения одно- или двумерных медицинских изображений можно использовать: Для получения одно- или двумерных медицинских изображений можно использовать: электромагнитное излучение; ультразвук. Методами получения двумерных медицинских изображений являются: цифровая радиология; компьютерная томография; ядерный магнитный резонанс; 2D-ультразвук.
Методами и источниками трехмерных изображений являются: Методами и источниками трехмерных изображений являются: - последовательность радиологических изображений или томографическое изображение динамического объекта; - объемное томографическое изображение части недвижимого объекта.
Рентгенология (обычная радиология) использует ионизирующее излучение от источника рентгеновских лучей. Рентгенология (обычная радиология) использует ионизирующее излучение от источника рентгеновских лучей. Это наиболее распространенный метод в отделениях радиологии. Изображения регистрируется на пленке, чувствительной к рентгеновским лучам, и может быть со временем с этой пленки переведены в цифровую форму. Можно получить и непосредственно цифровое изображение, минуя стадию рентгенографической пленки - в новых аппаратах, которые вместо пленок используют специальные матрицы.
Цифровая ангиография показывает сосуды, удаляя из изображений нежелательные структуры (кости и внутренние органы). Цифровая ангиография показывает сосуды, удаляя из изображений нежелательные структуры (кости и внутренние органы). Исследования проводят в два этапа. Сначала получают изображение до инъекции контрастного вещества и переводят их в цифровую форму. Потом они используются для создания маски, которая будет удалена из изображений, полученных после инъекции.
Компьютерная томография (КТ) также использует рентгеновские лучи, но вместо одного плоского изображения, КТ-изображения получается в результате компьютерной обработки нескольких изображений, отснятых в разных направлениях. Компьютерная томография (КТ) также использует рентгеновские лучи, но вместо одного плоского изображения, КТ-изображения получается в результате компьютерной обработки нескольких изображений, отснятых в разных направлениях.
При ядерно-магнитном резонансе (ЯМР) компьютер восстанавливает изображение от полученных радиосигналов, интенсивность и продолжительность которых зависит от биологических характеристик ткани. При ядерно-магнитном резонансе (ЯМР) компьютер восстанавливает изображение от полученных радиосигналов, интенсивность и продолжительность которых зависит от биологических характеристик ткани. Не используя ионизирующую радиацию, ЯМР предоставляет изображения, вид которых зависит от обмена веществ и характеристик тканей.
Ультразвуковое исследование (УЗД) использует звуковые (упругие) колебание высокой частоты. Ультразвуковое исследование (УЗД) использует звуковые (упругие) колебание высокой частоты. Зонд выпускает ультразвуковые импульсы и получает отраженные, которые с помощью пьезоэлектрических кристаллов превращаются в электрические сигналы. Сигналы, которые получены от нескольких параллельных каналов, переводятся в цифровую форму и обрабатываются, в результате чего образовывается изображение.
Во время сцинтиграфии в организм вводится радиоактивная метка, которая имеет тропизм к определенному виду ткани. Во время сцинтиграфии в организм вводится радиоактивная метка, которая имеет тропизм к определенному виду ткани. Излучения, которые выпускается, фиксируется с помощью чувствительной к радиации камеры. Восстановленное изображение используется для оценивания функции органа.
3. ЭВМ (электронно-вычислительная машина) – цифровые массивы или гистограммы распределения изучаемого признака.
Пример морфометрической задачи - изучение ядерно-цитоплазматического отношения.
- отношение объема (размера) ядра клетки к объему
(размеру) ее цитоплазмы
- является величиной постоянной (константой) для
каждого вида ткани
- константа достигается после окончания процесса
дробления в эмбриогенезе (процесс дробления
осуществляется до достижения клетками данной
ткани определенного ядерно-цитоплазматического
отношения, после чего начинается деление клеток
- анализ показателя возможен только в пределах
одного вида клеток – т.е. невозможно сравнивать между собой лимфоциты и гепатоциты
Задачи исследования ядерно-цитоплазматического отношения:
1. оценка константы данной ткани
- лимфоциты – высокое ядерно-цитоплазматическое отношение (приближается к единице – малые лимфоциты – 0,9; средние – 0,7)
- гепатоциты – низкое ядерно-цитоплазматическое
2. оценка функционального состояния клеток одной ткани
а. нормофункция - ядерно-цитоплазматическое
отношение, характерное для данной ткани,
константа – так в щитовидной железе тироциты
стенки фолликулов – однослойный кубический
б. гиперфункция - сопровождается клеточной
гипертрофией – увеличением клеточных разме- ров за счет объема цитоплазмы, т.к. не происходит
изменений количества ДНК в ядре, а значит и
его размеров. Т.о. при гиперфункции ядерно-
цитоплазматическое отношение снижается,
становится более низким.
в. гипофункция - сопровождается клеточной
гипотрофией - атрофией - уменьшением
размеров клеток. При этом ядерно-цитоплаз- матическое отношение увеличивается.
Т.о. увеличение ядерно-цитоплазматического отноше-
ния в ткани свидетельствует о развитии гипофункции, а уменьшение - о
гиперфункции ее клеток.
Проточная цитометрия
- метод количественного анализа клеток в потоке несущей жидкости с
использованием проточных цитометров.
Основные принципы метода:
1. из ткани получают клеточную суспензию, состоящую из отдельных клеток
2. клетки обрабатывают веществами, количественно связывающимися с определенными клеточными структурами:
1. антитела – на белки в клеточной поверхности
3. РНК-зонды и т.д.
3. использование флуоресцентной метки, присоединяемой к получаемому комплексу
4. выстраивание клеток в потоке жидкости в один ряд, в одну линию
5. возбуждение флуоресцентных меток на клетках энергией лазера
6. измерение интенсивности люминесценции метки ФЭУ
7. обработка полученных результатов на ЭВМ
8. результаты исследований представлены в виде гистограмм распределения и вариационных рядов цифровых значений
1. количественная гистохимия
- измерение количества веществ в клетке с помощью
проведения химических реакций
- выявление комплекса антиген-антитело
ДНК-цитометрия
- изучение количества ДНК в ядрах клеток
1. оценка уровня активности пролиферативных процессов в ткани
2. распределение ядер клеток по плоидности
3. определение временных параметров клеточного цикла
4. выявление состояний анэуплоидии – отличающегося от нормального содержание ДНК
Люминесцентный краситель в реакции по Фельгену
В виде ДНК-гистограмм - распределение изучаемых клеток по содержанию в их ядрах ДНК.
Три группы клеток:
1. диплоидные - содержание ДНК - 2с (хромосом – 2n)
2. промежуточные - 2с-4с
3. тетраплоидные - 4с
Т.о., клетки с определенным содержанием ДНК распределяются по периодам клеточного цикла следующим образом:
2с - характеризуют количество клеток в Go и G1 периодах
2с-4с - количество клеток в синтетическом периоде
4с - количество клеток в G2 и М-периодах цикла
Расчет величины пролиферативного пула клеток:
3. митотическом периодах цикла
- чем выше его величина – тем выше скорость обновления ткани
наименьшая (стремиться к нулю) - в нейронах
наибольшая - гемопоэтическая и эпителий слизистой
пищеварительной трубки (до 50%)
Временные параметры митотического цикла:
- время прохждения периодов цикла
G1 – период - 3-10 часов
S - период - 7-10 часов
G2 – период - 2-3 часа
М- период - около 1 часа
А. всю клеточную жизнь - нейроны
Б. несколько часов - стволовые клетки
Иммунофенотипирование
- метод качественного и количественного определения наличия
исследуемых антигенов в клетках
1. изучение наличия на поверхности или внутри клеток рецепторных белков - антигенов
2. определение количества клеток, имеющих (экспрессирующих)
этот рецептор в исследуемой популяции
3. определение количества рецепторов на поверхности клеток
4. определение сочетания нескольких рецепторов на поверхности одной клетки (коэкспрессия)
Моноклональные антитела, меченные люминесцентной меткой
Моноклональные антитела позволяют выявлять дифференцировочные антигены на гемопоэтических клетках крови у человека и имеют маркировку CD (cluster of differentiation) - кластер дифференцировки:
1. исследование клеточного иммунитета
2. оценка гемопоэза
Исследование клеточного звена иммунитета у человека:
CD3 - Т-лимфоциты - норма в крови взрослого - 67-76%
CD3,CD8 - Т-супрессоры - 31-40%
Соотношение хелперы/супрессоры - 1-1,5
(при СПИДе – соотношение снижается меньше 1)
CD19 - В-лимфоциты - норма - 11-16 %
2. оценка гемопоэза:
- 1-4 классы зрелости – морфологически нераспознаваемые
- распознавание – иммунологическое – иммунофенотипирование
- часть рецепторных белков сохраняются в клетке всегда, они характеризуют тип кроветворения – лимфоидное, миелоидное и линию – Т- и В- лимфоциты
– при созревании клеток одни рецепторные белки на поверхности появляются, а другие исчезают
Иммуногистохимия
- метод качественного определения антигенов в клетках и тканях на гистологических срезах
Задачи метода:
1. определение гистогенетического типа исследуемой ткани
2. определение иммунофенотипа клеток
3. оценка процессов пролиферации (Ki-67, PCNA) и апоптоза (СD 95) в ткани
4. определение наличия рецепторов к гормонам
5. определение ростовых факторов (IL 1-16)
6. выявление онкопротеинов (р21, р53, N-MYC и т.д.)
7. определение типов коллагена (I, II, IY типа)
8. микробиология/вирусология (гепатиты В и С, цитомегаловирус, герпес и т.д.)
Определение гистогенетического типа клеток тканей:
- основано на выявлении белков промежуточных филаментов, специфичных для клеток определенных тканей
1. эпителиальные ткани - выявляется кератин (Кeratin)
2. соединительные ткани - виментин (Vimentin)
3. нервная ткань - S100 protein
4. мышечные ткани - десмин (Desmin)
5. лимфоидная и миелоидная ткани - общий лейкоцитарный антиген (LCA)
Цитогенетический метод
- метод качественного и количественного анализа хромосом человека
Актуальность:
1. шесть из 1000 детей рождаются с различными хромосомными нарушениями
2. увеличение возраста матерей - критический возраст матери, после которого вероятность рождения больного ребенка резко возрастает – 35 лет
3. диагностика опухолевых заболеваний, учет при выборе тактики лечения и определение прогноза заболевания
Принцип метода:
- т.к. анализ осуществляется на хромосомах, а последние возможно наблюдать во время митоза то:
1. исследуемые клетки обрабатывают веществом,
стимулирующим митотическую активность -
фитогемагглютинином (ФГА) в условиях in vitro
2 накопление числа метафазных пластинок – в результате разрушения веретена деления - колхицин
Информация и ее свойства. Автоматизированные системы обработки инструментальных и лабораторных данных, включающие рабочие места врачей. Интеллектуальные системы поддержки принятия врачебных решений. Телекоммуникационная инфраструктура в медицине.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | реферат |
| Язык | русский |
| Дата добавления | 12.10.2014 |
| Размер файла | 40,4 K |
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
МИНИСТЕРСТВО НАУКИ И ОБРАЗОВАНИЯ РЕСПУБЛИКИ КАЗАХСТАН
На тему: Автоматизированная обработка данных клинических функциональных исследований
1. Автоматизированная обработка информации
1.1 Информация и ее свойства
Понятие информации, наряду с веществом и материей связано с одним из фундаментальных понятий окружающего мира, поэтому дать точное определение весьма затруднительно.
Информация выступает как свойство объектов и явлений (процессов) порождать многообразие состояний, которые посредством отражения передаются от одного объекта к другому; она охватывает все сферы, все отрасли общественной жизни, прочно входит в жизнь каждого человека, воздействует на его образ мышления и поведение. Она обслуживает общение людей, социальных групп, классов, наций и государств, помогает людям овладеть научным мировоззрением, разбираться в многообразных явлениях и процессах общественной жизни, повышать уровень своей культуры и образованности, усваивать и соблюдать законы и нравственные принципы. Огромную, ничем незаменимую роль выполняет информация в управленческой деятельности. По существу, без информации не может быть и речи о любом виде управления, о целенаправленной деятельности взаимосвязанных объектов и систем.
Определение информации связано с такими понятиями, как сигнал, данные, информация, знания.
Сигнал - это изменяющийся во времени физический процесс, отражающий некоторые характеристики объекта. Распространение сигнала завершается взаимодействием с физическими телами, этот процесс называется регистрацией сигнала. При этом образуются данные.
Данные - это отображение на некотором носителе свойства объектов, которые могут быть изменены или сопоставлены с определенными эталонами.
Информация - осознанные (понятые) субъектом (человеком) данные, которые он может использовать в своей (профессиональной) деятельности. Поэтому можно утверждать, что информацией являются используемые данные.
Знания - систематически подтверждаемая опытными или логическим путем информация об объекте.
Таким образом, общую схему информационных процессов можно представить в виде, иллюстрированном на рис.1.
Рис.1. Общая схема информационных процессов
точность - степень приближенности информации к реальному состоянию источника информации. Например, неточной информацией является медицинская справка, в которой отсутствуют данные о перенесенных абитуриентом заболеваниях;
достоверность - вероятностная характеристика, характеризующая соответствие сведений о действительности. Эта характеристика вторична относительно точности;
актуальность - величина, характеризующая период времени с момента возникновения события до предъявления сведений о нем. Например, информация о кратности кашля за день, его характеристиках (сухой, влажный, приступообразный, мучительный и т.д.), количестве отделяемой мокроты при кашле актуальна на момент болезни человека и постановки ему диагноза. Когда пациент вылечился от болезни, прошло продолжительное время после выздоровления, то сведения о характере кашля становятся неактуальными;
ценность - степень полезности сведений для конкретного пользователя. Например, сведения о характере питания пациента ценны для диетолога при выработке рекомендаций, но не являются ценными для менеджера, продающего этому же человеку компьютер.
1.2 Информационные технологии клинической информатики
Автоматизированные системы обработки инструментальных и лабораторных данных, включающие автоматизированные рабочие места врачей. Использование компьютерных технологий в клинических функциональных исследованиях позволяет значительно повысить точность и скорость обработки информации о состоянии пациента.
Применение персональных компьютеров обеспечивает надежное нахождение и распознавание информативных графоэлементов в записях биосигналов различных органов и систем организма, повышает точность измерительных процедур выделенных элементов сигнала, а также ускоряет процесс идентификации полученных данных с показателями нормы или с различными видами патологии. Для решения этих вопросов необходимо наличие соответствующего алгоритмического и программного обеспечения, моделирующего процесс проведения функциональных исследований грамотным врачом-экспертом. Таким образом, одной из основных целей применения компьютерных технологий в функциональных исследованиях является повышение надежности врачебной диагностики за счет применения математических методов, обеспечивающих высококачественное измерение и вычисление комплексных электрофизиологических характеристик и формализующих процесс принятия решений с учетом опыта ведущих специалистов в этой области. данный информация врач интеллектуальный
Основная задача автоматизированных систем функциональной диагностики заключается в обеспечении врача добротной, наглядной и достаточной информацией для правильной постановки диагноза. Целый ряд автоматизированных систем функциональной диагностики направлен на формирование результатов анализа в виде словесных синдромальных заключений. Однако, несмотря на их достаточно высокую достоверность (70-95%), окончательный диагноз формируется врачом с учетом клинических проявлений.
Многие учреждения здравоохранения используют в своей работе автоматизированные рабочие места (АРМ) специалистов.
Обеспечение потребностей врача в консультативной помощи при принятии решений по вопросам диагностики, прогнозирования и выбора методов обследования и лечения, то есть создание компьютерной системы поддержки врачебных решений, достигается путем включения в информационную систему на пользовательском уровне автоматизированных рабочих мест, имеющих специальное программное обеспечение, необходимое в деятельности конкретного врача-специалиста.
АРМ врача любой специальности должно выполнять ряд функций:
ведение истории болезни или медицинской карты;
поиск по прецедентам (в целях диагностики, выбора лечения);
выбор оптимального плана обследования больного с учетом критерия альтернативы, включающего риск предполагаемого исследования;
обработка и анализ данных функциональных исследований (ЭКГ, ЭЭГ и других, включая рентгенограммы) при непосредственном вводе биоэлектрических сигналов или оцифрованных изображений в ПК;
анализ результатов лабораторных исследований;
поддержка диагностических решений врача;
прогноз течения заболевания, включая развитие осложнений;
выбор лечебной тактики (с прогностической оценкой терапевтических воздействий).
Интеллектуальные системы поддержки принятия врачебных решений выполняют задачи анализа, моделирования и прогноза. Принятие решения - это акт целенаправленного воздействия на объект управления, основанный на анализе ситуации, определении цели, разработке программы достижения этой цели.
При оказании медицинской помощи пациентам выделяют следующие четыре вида поддержки принятия решений:
предупреждение специалистов о возникновении угрожающей ситуации;
критический анализ ранее принятых решений;
предложения по лечебным мерам в ответ на вопросы медиков;
ретроспективные обзоры с целью обеспечения контроля за качеством лечения.
Таким образом, можно выделить две разновидности систем поддержки принятия решений: системы выработки врачебных рекомендаций и системы подготовки данных для решения.
Системы выработки врачебных рекомендаций позволяют:
сформировать множество альтернативных вариантов решения (далее - альтернатив);
сформировать множество критериев оценки альтернатив;
получить оценки альтернатив по критериям;
выбрать лучшую альтернативу, которая и выдается системой в качестве рекомендации.
Реализация этого варианта СППР требует решения некоторых нетривиальных проблем. Например:
учет важности критериев при диагностике определенного заболевания;
Системы подготовки данных для решения помогают решить следующие задачи:
подготовить базы данных (часто объемные и содержащие сложные взаимосвязи);
организовать гибкий и удобный доступ к базам данных через мощные средства формирования запросов;
получить результаты запросов в форме, максимально удобной для последующего анализа;
использовать мощные генераторы отчетов.
Экспертные системы. Интеллектуализация программных средств поддержки врачебных решений предполагает использование так называемых экспертных, консультативных, систем (ЭС), построенных на основе использования знаний высококвалифицированных врачей-экспертов. Назначение экспертных систем заключается в выдаче системой искусственного интеллекта экспертных заключений, относящихся к проблемам какой-либо медицинской области. Экспертное заключение часто оказывается ответом на обращение лица, принимающего решение, за консультацией в конкретной ситуации.
Основными чертами экспертных систем являются следующие:
поддержка принятия решения возможна только в одной конкретной области;
система может объяснять ход решения задачи понятным пользователю способом;
база знаний системы является открытой и наращиваемой;
система способна обучаться, т.е. пополнение и (или) изменение базы знаний сопровождается увеличением эффективности ее работы.
Математическое моделирование - специальный инструмент, который позволяет оценить недоступные прямым измерениям свойства регуляторных систем и процессов. Математическая модель представляет собой систему математических соотношений - формул, функций, уравнений, систем уравнений и т.д., описывающих те или иные стороны изучаемого объекта, явления, процесса. Модель - это не только отражение наших знаний об исследуемом объекте, но и источник новых сведений, полученных с помощью модели. Модель, отображая или замещать его так, что изучение дает новую информацию об этом объекте.
Необходимость применения в медицине математических методов моделирования с использованием компьютерной техники диктуется тем, что с их помощью можно адекватно и в короткий срок обобщить сложную сущность явлений и процессов, описать и понять факты, выявить взаимосвязи, найти рациональное решение с гораздо большей полнотой и надежностью, чем это делается на базе словесных характеристик. Метод математического моделирования в медицине помогает систематизировать и объединять знания о физиологических системах, идентифицировать важные параметры и определять общую чувствительность системы к вариации каждого параметра, количественно оценивать трудноизмеряемые и вообще неизмеряемые показатели, быстро и эффективно поверять гипотезы без обращения к эксперименту, планировать эксперименты и исследования, предсказывать поведение реальной системы.
Телекоммуникационная инфраструктура в медицине строится на основе принципов, утверждающих создание единой региональной системы информационно-телекоммуникационного взаимодействия функциональных информационных систем и абонентов.
Некоторые медицинские учреждения имеют сегодня выход через некоммерческую сеть Free Net в глобальную сеть Интернет. Все центральные офисы страховых медицинских организаций пользуются службой электронной почты и ресурсами Интернет с доступом по выделенным и коммутируемым телефонным линиям. Большинством ЛПУ открыты медицинские WWW-сервера. Создаются центры телемедицины, на базе которых отрабатываются технологии дистанционного консультирования больных в режиме on-line и в режиме отложенных консультаций.
Можно выделить следующие основные направления применения телемедицинских технологий:
Эти направления обеспечивают, соответственно, реализацию: а) консультаций в ходе лечебно-диагностического процесса или эвакуационных мероприятий или обучения; б) контроля жизненно важных функций организма; в) образовательных (в том числе популярных) лекций и семинаров, дистанционного тестирования или экзаменов; г) обмена мнениями (отчета) при дистанционном проведении коллегий (совещаний, советов), медицинских консилиумов, научных заседаний.
В зависимости от участников и используемых средств различаются следующие варианты телемедицинских консультаций:
Врачебная телемедицинская консультация (специалист консультирует врача с больным или врача без больного).
Телемедицинское функциональное или лабораторное обследование (передача объективных данных о больном с медицинской аппаратуры).
Советы спасателям (врач-специалист консультирует сотрудников мобильных спасательных отрядов).
Советы населению (предоставление жителям возможности советоваться с врачом). Развитие телемедицинских технологий основано на передовых информационных и телекоммуникационных технологиях.
Телемедицина, несомненно, может оказать значительное воздействие на систему лечебно-профилактической помощи населению, на управление системой здравоохранения и повышение эффективности ее функционирования в чрезвычайных ситуациях, на развитие науки, на внедрение новых медицинских технологий, на подготовку и усовершенствование кадров.
Итак, стратегические задачи использования информационных технологий в медицине включают:
повышение качества оказания медицинской помощи на основе повышения уровня информационной поддержки специалистов с помощью информационных технологий;
сокращение расходов на управление отраслью за счет снижения трудоемкости сбора, передачи и обработки информации на всех уровнях управления, оптимизации (интеграции) общих информационных ресурсов заинтересованными сторонами;
повышение уровня квалификации медицинских работников на основе внедрения новых информационных технологий поддержки учебного процесса, включая последипломное образование; повышение уровня информационно-справочного обслуживания населения по вопросам охраны здоровья.
Омельченко В.П., Демидова А.А. Математика: компьютерные технологии в медицине. Издание 2-е, исправленное, Ростов н/Д: Феникс, 2010. 576 с.
Подобные документы
Обслуживание двух встречных потоков информации. Структура информационных систем. Разработка структуры базы данных. Режимы работы с базами данных. Четыре основных компонента системы поддержки принятия решений. Выбор системы управления баз данных.
курсовая работа [772,0 K], добавлен 21.04.2016
Автоматизированная информационная система и её составляющие компоненты. Системы обработки данных и поддержки принятия решений. Информационно-логические и расчетные системы, их назначение и функции. Отраслевые, территориальные и межотраслевые АИС.
курсовая работа [420,3 K], добавлен 05.05.2014
Классификация систем поддержки принятия решений. Сравнительный анализ методик для оценки рисков розничного кредитования. Структура системы поддержки принятия решений, формирование начальной базы знаний. Проектирование базы данных информационной системы.
дипломная работа [1,9 M], добавлен 10.07.2017
Концепции хранилищ данных для анализа и их составляющие: интеграции и согласования данных из различных источников, разделения наборов данных для систем обработки транзакций и поддержки принятия решений. Архитектура баз для хранилищ и витрины данных.
реферат [1,3 M], добавлен 25.03.2013
Типы административных информационных систем: системы генерации отчетов, системы поддержки принятия решений, системы поддержки принятия стратегических решений. Сортировка и фильтрация списков в Microsoft Excel. Работа с базами данных в Microsoft Access.
контрольная работа [6,0 M], добавлен 19.11.2009
Информационные и автоматизированные системы управления технологическими процессами на промышленных предприятиях. Базы данных в автоматизированных системах управления. Системы планирования ресурсов предприятия, сбора и аналитической обработки данных.
контрольная работа [486,7 K], добавлен 29.10.2013
Системы автоматизированной обработки информации. Хранение большого объема информации. Понятие базы данных (БД). Обеспечение секретности данных. Уровни представления данных в БД. Логическая структура данных. Ограничения, накладываемые на данные.
Читайте также: