Журнал Современные наукоемкие технологии 1812-7320 Общество с ограниченной ответственностью "Издательский Дом "Академия Естествознания" 10.17513/snt.38179 ART-38179 Анализ вычислительной сложности алгоритмов выделения областей интереса по данным МРТ Шустова М.В. Shustova M.V. m.v.shustova@gmail.com Институт программных систем им. А.К. Айламазяна РАН Ailamazyan Program Systems Institute 02 08 2020 8 90 96 This is an open-access article distributed under the terms of the CC BY 4.0 license. https://top-technologies.ru/article/view?id=38179

На сегодняшний день клеточная терапия является одним из актуальных направлений в регенеративной медицине, а применение магнитно-резонансной томографии является одним из основных способов проведения фундаментальных биомедицинских исследований. Анализ данных магнитно-резонансной томографии дает возможность изучения областей интереса и динамики их изменения. Комбинирование современных методов магнитно-резонансной томографии и методов научной визуализации позволяет строить карты миграции и распространения стволовых клеток после их трансплантации, что дает толчок к пониманию механизмов их действия на очаги заболевания, например, при ишемическом инсульте головного мозга. Однако получаемые большие объемы информации с томографа замедляют скорость их интерпретации врачами при проведении клинических и научных исследований. Для повышения эффективности информационной поддержки врача-исследователя были разработаны методы и программные средства автоматического выделения и визуализации областей интереса (скоплений мезенхимальных стволовых клеток и зон ишемического поражения) на снимках магнитно-резонансной томографии. В настоящей работе приведены описания разработанных алгоритмов на языке псевдокодов. Представленные методы и программные средства предназначены для включения в систему информационной поддержки работы врачей-исследователей. Даны оценки их вычислительной сложности. Выполнен экспериментальный анализ быстродействия разработанных алгоритмов.

Today, cell therapy is one of the topical trends in regenerative medicine, and the use of magnetic resonance imaging is one of the main ways to carry out fundamental biomedical research. Analysis of the data of magnetic resonance imaging makes it possible to study areas of interest and the dynamics of their change. The combination of modern methods of magnetic resonance imaging and methods of scientific imaging makes it possible to build maps of the migration and distribution of stem cells after their transplantation, which gives an impetus to understanding the mechanisms of their action on the foci of the disease, for example, in ischemic stroke. However, the large volumes of information received from the tomograph slow down the speed of their interpretation by doctors in clinical and scientific research. To increase the efficiency of informational support of the researcher, methods and software have been developed for the automatic singling and visualization of areas of interest (clusters of mesenchymal stem cells and areas of ischemic lesion) on magnetic resonance imaging images. This paper provides descriptions of the developed algorithms in the pseudocode language. The presented methods and software are intended to be included in the information support system for the work of medical researchers. Estimates of their computational complexity are given. An experimental analysis of the performance of the developed algorithms is carried out.

 обработка изображения вычислительная сложность магнитно-резонансная томография мезенхимальные стволовые клетки ишемический инсульт алгоритмы оценки временной сложности image processing computational complexity magnetic resonance imaging mesenchymal stem cells ischemic stroke algorithms time complexity estimates

1. Лызиков А.Н., Осипов Б.Б., Скуратов А.Г., Призенцов А.А. Стволовые клетки в регенеративной медицине: достижения и перспективы // Проблемы здоровья и экологии. 2015. № 3. C. 4–8.

2. Lin K., Chai H., Chen K. et al. Intra-carotid arterial transfusion of circulatory-derived autologous endothelial progenitor cells in rodent after ischemic stroke–evaluating the impact of therapeutic time points on prognostic outcomes. Stem Cell Research & Therapy. 2020. Vol. 11. no. 219. DOI: 10.1186/s13287-020-01739-y.

3. Matthew K. Tobin et al. Activated Mesenchymal Stem Cells Induce Recovery Following Stroke Via Regulation of Inflammation and Oligodendrogenesis. Journal of the American Heart Association. 2020. Vol. 9. no 7. DOI: 10.1161/JAHA.119.013583.

4. Фраленко В.П., Хачумов М.В., Шустова М.В. Анализ инструментальных средств обработки и визуализации биомедицинских данных магнитно-резонансной томографии (обзор литературы) // Вестник новых медицинских технологий. 2016. № 4. С. 307–315. DOI: 10.12737/23880.

5. Фраленко В.П., Хачумов М.В., Шустова М.В. Выделение и когнитивная визуализация трансплантированных мезенхимальных стволовых клеток на снимках магнитно-резонансной томографии // Искусственный интеллект и принятие решений. 2017. № 3. С. 10–20.

6. Фраленко В.П., Хачумов М.В., Шустова М.В. Инструментальные средства автоматического поиска и визуализации зон интереса в данных МРТ для поддержки принятия решений врачей-исследователей // Искусственный интеллект и принятие решений. 2016. № 4. С. 27–37.

7. Abbadi N.K., Dahir N.S., Alkareem Z.A. Skin texture recognition using neural networks. Proc. Int’l Arab Conf. on Information Technology. 2008. P. 1–4.

8. Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification. IEEE Transactions on Systems, Man and Cybernetics. 1973. Vol. 3. P. 610–621.

9. Амелькин С.А., Захаров А.В., Хачумов В.М. Обобщенное расстояние Евклида – Махаланобиса и его свойства // Информационные технологии и вычислительные системы. 2006. № 4. С. 40–44.