Разрабатывает автоматизированные медицинские системы
Обновлено: 04.07.2024
Компьютерные методы проектирования и диагностики для биомедицинских приложений
Сводная информация о корзине
Что такое электронные книги VitalSource?
Электронные книги Routledge и CRC Press доступны через VitalSource. Бесплатное приложение VitalSource Bookshelf® позволяет получить доступ к вашим электронным книгам в любое время и в любом месте.
Большинство электронных книг VitalSource доступны в формате EPUB с возможностью перекомпоновки, который позволяет изменять размер текста в соответствии с вашими потребностями и включает другие специальные возможности. Если содержимое электронной книги требует определенного макета или содержит математические или другие специальные символы, электронная книга будет доступна в формате PDF (PBK), форматирование которого невозможно. Для обоих форматов доступные функции будут зависеть от того, как вы получаете доступ к электронной книге (через Bookshelf Online в браузере или через приложение Bookshelf на ПК или мобильном устройстве).
Описание книги
Система автоматизированного проектирования (САПР) играет ключевую роль в улучшении биомедицинских систем для различных приложений. Он также помогает в обнаружении, идентификации, прогнозировании, анализе и классификации заболеваний, лечении хронических состояний и оказании медицинских услуг. В этой книге обсуждается использование САПР для решения реальных проблем и задач в биомедицинских системах с помощью соответствующих тематических исследований и результатов моделирования исследований. Стремясь преодолеть разрыв между САПР и биомедицинскими науками, в нем описываются модели поведения, концепции, основы, принципы, тематические исследования и будущие направления исследований, включая автоматическую идентификацию связанных расстройств с помощью САПР.
Предлагает САПР для изучения биомедицинских сигналов для понимания физиологии и улучшения способности систем здравоохранения диагностировать и выявлять нарушения здоровья.
Представляет концепции CAD для биомедицинских методов лечения различных расстройств.
Обсуждает примеры дизайна и моделирования, вопросы и проблемы.
Иллюстрирует сигналы биопотенциала и их надлежащее использование при изучении различных расстройств.
Включает тематические исследования, практические примеры и направления исследований.
Компьютерные методы проектирования и диагностики для биометрических приложений предназначены для исследователей, аспирантов в области биомедицинской инженерии, обработки изображений, биомедицинских технологий, медицинской визуализации и медицинской информатики.
Содержание
Глава 1. Классификация эмоций на основе сигналов электроэнцефалограммы при болезни Паркинсона с использованием повторного количественного анализа и нелинейных классификаторов
Муругаппан М., Смит К. Кхаре, Валид Альшуайб, Али К. Бурисли, Варун Баджадж и Г. Р. Синха
Глава 2. Классификация стадий сна с использованием DWT и дисперсионной энтропии, примененной к сигналам ЭЭГ
Ражив Шарма, Ситаншу Секхар Саху, Абхай Упадхьяй, Риши Радж Шарма и Аджит Кумар Саху
Глава 3 Обнаружение эпилептических сигналов электроэнцефалограммы с использованием графических мотивов видимости
Саянджит Сингха Рой, Судип Модак, Каниска Саманта, Сумья Чаттерджи и Рохит Бозе
Глава 4 Влияние различных поз йоги стоя на скелетно-мышечную систему с использованием ЭМГ
Падмини Саху, Бикеш Кумар Сингх и Ниламшобха Нирала
Глава 5. Раннее выявление болезни Паркинсона и SWEDD с помощью SMOTE и Ensemble
Эмина Аличкович и Абдулхамит Субаси
Глава 6. Компьютерный метод проектирования и диагностики рака
Джора Хан и Юсеф Расми
Глава 7. Автоматическое обнаружение COVID-19 на КТ-изображениях с использованием глубокого обучения
Абдулхамит Субаси, Арка Митра, Фатих Озюрт и Туркер Тунджер
Глава 8. Диагностика подозрительных участков головного мозга: руководство по использованию последовательностей МРТ головного мозга
Айджа Киримтат, Ондрей Крейчар, Али Селамат, Энрике Эррера-Вьедма, Камил Куча и Анис Язиди
Глава 9. Алгоритм классификации медицинских изображений на основе сверточной нейронной сети с инициализацией веса и скользящим окном
Анкит Кумар, Панкадж Дадхич, С. Р. Догивал, Сандип Кумар и Раджани Кумари
Глава 10. Позиционирование клиента здравоохранения в диагностике и валидация интенсивности лечения
Глава 11 Система компьютерной диагностики (CAD) для определения гистологической классификации астроцитомы на основе подсчета Ki67
Фахми Акмаль Дзулкифли, Марьям Ахмад Шарифуддин, Мохд Юсофф Машор и Хаснан Джаафар
Глава 12. Усовершенствованные методы классификации для диагностики и прогнозирования рака
Панкадж Дадхич, Анкит Кумар, С. Р. Догивал, Випин Джайн, Виджандер Сингх и Линеш Раджа
Глава 13. Обнаружение заболеваний щитовидной железы с использованием различных методов ансамбля с методом сокращения числа ошибок
Дхьян Чандра Ядав и Саурабх Пал
Глава 14. Надежная диагностика и прогнозирование COVID-19
Марьян Мансурян, Хамид Реза Маратеб, Майя фон Кубе, Садаф Хадеми, Мислав Джорданич, Мигель Анхель Мананас, Харальд Биндер и Мартин Волькевиц
Глава 15 Компьютерные методы диагностики для неинвазивной визуализации подкожных поражений
Разработка прозрачной и понятной компьютерной диагностики
Создание основы для анализа гистопатологических изображений почки
Сюй Ян, магистрант, CS, MET College, Бостонский университет
В сотрудничестве с Tahereh (Zohre) Javaheri, приглашенный научный сотрудник, лаборатория медицинской информатики, MET College, Бостонский университет
Под руководством Резы Равасизаде, доцент, лаборатория медицинской информатики, MET College, Бостонский университет
Одной из новых областей информатики и медицины является компьютерная диагностика (CAD). Методы анализа изображений в рентгенографии, МРТ и ультразвуковой диагностике предоставляют широкий спектр информации, которую радиолог или другие медицинские специалисты должны проанализировать и оценить за короткое время.
(Вверху) Необработанное гистопатологическое изображение клеток почки.
(Внизу) Наша структура идентифицирует клеточное ядрышко и окружающую область ядрышка.
Системы САПР обрабатывают цифровые изображения, чтобы идентифицировать характерные признаки заметных участков, например возможные заболевания, и тем самым предоставлять дополнительную поддержку лицам, принимающим решения в области медицины. В Лаборатории медицинской информатики мы работаем над созданием CAD для поддержки особенно сложного диагностического процесса: выявления и классификации рака почки.
Есть два типа рака почки, которые имеют очень похожие гистопатологические характеристики. Один из них злокачественный, то есть хромофобные опухоли, а другой доброкачественный, то есть опухоли онкоцитомы. Тем не менее, на гистопатологических изображениях они выглядят очень похоже, и поэтому специалисту-человеку, то есть патологоанатому, очень трудно отличить хромофобную почечно-клеточную карциному от почечной онкоцитомы. Поэтому их подходы к идентификации подвержены человеческим ошибкам.
Чтобы смягчить эти виды человеческих ошибок, система САПР может быть очень полезной. CAD-система может не только помочь в точном анализе изображений, но и значительно повысить эффективность обнаружения и снизить утомляемость глаз патологоанатомов. Одним из распространенных подходов к разработке САПР является создание большого набора данных из помеченных изображений и обучение на них модели глубокого обучения. Однако алгоритмы черного ящика, в том числе модели глубокого обучения, не поддаются интерпретации, и медицинские эксперты могут не доверять им.
Поэтому необходима объяснимая система искусственного интеллекта, которая могла бы различать различия между двумя типами раковых опухолей. Вместе с ассистентом эксперта по патологии профессором Мохаммадом Хаери из Медицинской школы Канзасского университета наша команда в Лаборатории медицинской информатики в Метрополитен-колледже определяет набор правил и вводит их в основанный на правилах алгоритм классификации, который может точно различать эти два типа опухолей. Наш алгоритм подробно делится своей интерпретацией с врачами и объясняет причину своей интерпретации в виде отчета. Программа сгенерирует отчет с подробными данными, который прост для понимания и основан на фактических данных, в отличие от алгоритмов черного ящика. Следовательно, его объяснительная сила может завоевать доверие экспертов-людей в диагностике этих опухолей.
Например, хромофобные опухоли имеют более выраженную клеточную мембрану и околоядерный ореол по сравнению с опухолями онкоцитомы. Включив эти функции в наше распознавание изображений на основе правил, мы смогли различить два типа опухолей.
В связи со вспышкой Covid-19 мы теперь выполняем всю нашу работу удаленно и никогда не посещаем членов команды лично. С другой стороны, у нас продуктивный процесс, и наш прогресс свидетельствует о том, что личные встречи не обязательно полезны. Сэкономив много времени на поездках на работу, мы можем больше сосредоточиться на работе. В то же время мгновенное онлайн-общение значительно сокращает время, необходимое для обратной связи, и повышает эффективность работы.
Используя алгоритмы машинного обучения и компьютерного зрения, наша команда предлагает новый инструмент диагностики для конкретных ситуаций. Мы надеемся, что наша новая программа предоставит патологоанатомам эффективный компьютеризированный диагностический инструмент, который они понимают и которым доверяют
Об авторах
Сюй Ян учится на магистра компьютерных наук в Метрополитен-колледже Бостонского университета. В BU MET Ян работает вместе с лабораторией медицинской информатики BU MET. Его основной интерес — машинное обучение и искусственный интеллект.
Тахере (Зохре) Джавахери — приглашенный научный сотрудник лаборатории медицинской информатики BU MET.Ее основные научные интересы включают биологию рака и анализ генома. Доктор Джавахери получила докторскую степень в Техническом университете Мюнхена, Германия. До прихода в BU она была постдоком в Институте исследований рака Людвига Больцмана, Австрия.
Реза Равасизаде, доктор наук, доцент кафедры компьютерных наук в Метрополитен-колледже Бостонского университета и преподаватель Лаборатории информатики здравоохранения BU MET. Его исследовательский интерес сосредоточен на вездесущих технологиях, включая носимые устройства, мобильные устройства и роботов.
Стремление к раннему выявлению рака молочной железы значительно увеличило количество маммограмм, которые должны прочитать рентгенологи. Эффективная система автоматизированного проектирования (САПР) для скрининга может помочь уменьшить эту нагрузку и улучшить диагностику. Несколько систем САПР, одобренных Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США, в настоящее время используются с цифровой маммографией. Они могут предоставить результаты обнаружения, но не классификацию в соответствии с пятью категориями Системы отчетности и данных по визуализации молочной железы Американского колледжа радиологии (BIRADS). В первую очередь это связано с тем, что сложные характеристики на маммограммах затрудняют эффективную классификацию в системе САПР.
Например, микрокальцинаты (МКК) и образования имеют совершенно разные характеристики. MCC обычно образуются из инородных веществ, а не из тканей молочной железы. Их присутствие можно обнаружить по интенсивности и контрасту, а их классификация основана на их размере и форме. Однако образования считаются частью тканей молочной железы. Их можно обнаружить только по их текстурным особенностям, которые можно использовать для классификации. Таким образом, для каждой аномалии требуются разные методы проектирования. Наша пилотная система CAD предназначена для параллельного обнаружения и классификации MCC и масс с использованием двух наборов различных методов. 1
Наша система делает еще один шаг вперед в улучшении текущего маммографического скрининга ИБС, классифицируя MCC/массы в соответствии с рекомендациями BIRADS. Тем не менее, это все еще прототип, и предстоит еще много работы. В частности, мы будем далее изучать анализ BIRADS. Например, плотность — это одна из характеристик, используемых для оценки рака молочной железы. Однако врачам трудно количественно определить плотность груди. Мы предлагаем инструмент количественной оценки плотности груди в нашей системе САПР (см. рис. 2), а также изучим другие инструменты оценки плотности BIRADS.
Сан-Кан Ли является профессором радиологии в Медицинском центре национальной обороны и Медицинском университете Чуншань, а также заместителем суперинтенданта Главного госпиталя для ветеранов Тайчжуна. Его исследования включают в себя компьютерную диагностику на маммограммах, скрининг рака молочной железы, а также системы архивирования и передачи изображений. Он владеет одним патентом США и одним патентом Тайваня.
Чьен-Шун Ло, доцент кафедры мультимедийного дизайна, получил степень бакалавра и магистра в области информационной инженерии и компьютерных наук в Университете Фэн-Чиа в 1992 и 1994 годах соответственно, а также докторскую степень в области электротехники в Национальном университете Чэн-Чиа. Кунга в 2000 году. Его текущие исследования включают в себя разработку компьютерных диагностических систем, обработку изображений, обработку видео и технологии потоковой передачи.
Цзя-Пей Хуанг получил степень магистра компьютерных наук и информационной инженерии в Национальном университете Цзяи, Тайвань, в 2005 году. В настоящее время он работает над докторской диссертацией в Школе компьютерных наук и информационной инженерии NCKU. Его исследовательские интересы включают компьютерную диагностику на маммограммах, распознавание образов, нейронные сети, компьютерное зрение и их приложения.
Giu-Cheng Hsu работал в отделении диагностической радиологии в TSGH с 1985 по 1996 год. Он был директором отделения диагностической радиологии в Тайваньской адвентистской больнице с 1996 по 2001 год. Он вернулся в TSGH в 2001 году в качестве директора и создан Центр женского здоровья.
Манн-Ли Чанг получила степень бакалавра и магистра в Университете китайской культуры на Тайване, степень по программе управления информационными системами в Государственном университете Боуи в США и докторскую степень в Национальном педагогическом университете на Тайване. В настоящее время она работает в отделе информационных систем BNHI и по совместительству является преподавателем в Национальном открытом университете Тайбэя и Центре Цзиньмэнь. Ее исследования включают информационные системы, науку и управление, а также обработку изображений с помощью дистанционного зондирования.
Пау-Чу (Джулия) Чанг – директор Института компьютерной и коммуникационной инженерии NCKU. Она получила степень бакалавра и магистра в области электротехники в NCKU и докторскую степень в области электротехники в Техасском техническом университете в США. С 1996 года она является профессором кафедры электротехники НЦКУ.Она является членом общества чести Phi Tau Phi и членом IEEE Fellow.
Разработка прозрачной и понятной компьютерной диагностики
Создание основы для анализа гистопатологических изображений почки
Сюй Ян, магистрант, CS, MET College, Бостонский университет
В сотрудничестве с Tahereh (Zohre) Javaheri, приглашенный научный сотрудник, лаборатория медицинской информатики, MET College, Бостонский университет
Под руководством Резы Равасизаде, доцент, лаборатория медицинской информатики, MET College, Бостонский университет
Одной из новых областей информатики и медицины является компьютерная диагностика (CAD). Методы анализа изображений в рентгенографии, МРТ и ультразвуковой диагностике предоставляют широкий спектр информации, которую радиолог или другие медицинские специалисты должны проанализировать и оценить за короткое время.
(Вверху) Необработанное гистопатологическое изображение клеток почки.
(Внизу) Наша структура идентифицирует клеточное ядрышко и окружающую область ядрышка.
Системы САПР обрабатывают цифровые изображения, чтобы идентифицировать характерные признаки заметных участков, например возможные заболевания, и тем самым предоставлять дополнительную поддержку лицам, принимающим решения в области медицины. В Лаборатории медицинской информатики мы работаем над созданием CAD для поддержки особенно сложного диагностического процесса: выявления и классификации рака почки.
Есть два типа рака почки, которые имеют очень похожие гистопатологические характеристики. Один из них злокачественный, то есть хромофобные опухоли, а другой доброкачественный, то есть опухоли онкоцитомы. Тем не менее, на гистопатологических изображениях они выглядят очень похоже, и поэтому специалисту-человеку, то есть патологоанатому, очень трудно отличить хромофобную почечно-клеточную карциному от почечной онкоцитомы. Поэтому их подходы к идентификации подвержены человеческим ошибкам.
Чтобы смягчить эти виды человеческих ошибок, система САПР может быть очень полезной. CAD-система может не только помочь в точном анализе изображений, но и значительно повысить эффективность обнаружения и снизить утомляемость глаз патологоанатомов. Одним из распространенных подходов к разработке САПР является создание большого набора данных из помеченных изображений и обучение на них модели глубокого обучения. Однако алгоритмы черного ящика, в том числе модели глубокого обучения, не поддаются интерпретации, и медицинские эксперты могут не доверять им.
Поэтому необходима объяснимая система искусственного интеллекта, которая могла бы различать различия между двумя типами раковых опухолей. Вместе с ассистентом эксперта по патологии профессором Мохаммадом Хаери из Медицинской школы Канзасского университета наша команда в Лаборатории медицинской информатики в Метрополитен-колледже определяет набор правил и вводит их в основанный на правилах алгоритм классификации, который может точно различать эти два типа опухолей. Наш алгоритм подробно делится своей интерпретацией с врачами и объясняет причину своей интерпретации в виде отчета. Программа сгенерирует отчет с подробными данными, который прост для понимания и основан на фактических данных, в отличие от алгоритмов черного ящика. Следовательно, его объяснительная сила может завоевать доверие экспертов-людей в диагностике этих опухолей.
Например, хромофобные опухоли имеют более выраженную клеточную мембрану и околоядерный ореол по сравнению с опухолями онкоцитомы. Включив эти функции в наше распознавание изображений на основе правил, мы смогли различить два типа опухолей.
В связи со вспышкой Covid-19 мы теперь выполняем всю нашу работу удаленно и никогда не посещаем членов команды лично. С другой стороны, у нас продуктивный процесс, и наш прогресс свидетельствует о том, что личные встречи не обязательно полезны. Сэкономив много времени на поездках на работу, мы можем больше сосредоточиться на работе. В то же время мгновенное онлайн-общение значительно сокращает время, необходимое для обратной связи, и повышает эффективность работы.
Используя алгоритмы машинного обучения и компьютерного зрения, наша команда предлагает новый инструмент диагностики для конкретных ситуаций. Мы надеемся, что наша новая программа предоставит патологоанатомам эффективный компьютеризированный диагностический инструмент, который они понимают и которым доверяют
Об авторах
Сюй Ян учится на магистра компьютерных наук в Метрополитен-колледже Бостонского университета. В BU MET Ян работает вместе с лабораторией медицинской информатики BU MET. Его основной интерес — машинное обучение и искусственный интеллект.
Тахере (Зохре) Джавахери — приглашенный научный сотрудник лаборатории медицинской информатики BU MET. Ее основные научные интересы включают биологию рака и анализ генома. Др.Джавахери получила докторскую степень в Техническом университете Мюнхена, Германия. До прихода в BU она была постдоком в Институте исследований рака Людвига Больцмана, Австрия.
Реза Равасизаде, доктор наук, доцент кафедры компьютерных наук в Метрополитен-колледже Бостонского университета и преподаватель Лаборатории информатики здравоохранения BU MET. Его исследовательский интерес сосредоточен на вездесущих технологиях, включая носимые устройства, мобильные устройства и роботов.
Читайте также: