Сундук фото картинки: D1 81 d1 83 d0 bd d0 b4 d1 83 d0 ba d0 b8 картинки, стоковые фото D1 81 d1 83 d0 bd d0 b4 d1 83 d0 ba d0 b8

Содержание

%d1%81%d1%83%d0%bd%d0%b4%d1%83%d0%ba PNG, векторы, PSD и пнг для бесплатной загрузки

  • схема бд электронный компонент технологии принципиальная схема технологическая линия

    2000*2000

  • happy singing mai ba sing self indulgence happy singing

    2000*2000

  • сердце сердцебиение любовь свадьба в квартире цвет значок векторная icon

    5556*5556

  • в первоначальном письме bd логотипа

    1200*1200

  • капсулы или пилюли витамина b4 диетические

    2000*2000

  • номер 83 золотой шрифт

    1200*1200

  • 81 год лента годовщина

    5000*3000

  • надпись laa ba sa thohurun ​​insya allah

    1200*1200

  • bd письмо 3d круг логотип

    1200*1200

  • в первоначальном письме bd шаблон векторный дизайн логотипа

    1200*1200

  • в первоначальном письме bd логотип шаблон

    1200*1200

  • в первоначальном письме bd шаблон векторный дизайн логотипа

    1200*1200

  • облака комиксов

    5042*5042

  • круглая буквица bd или db дизайн логотипа вектор

    5000*5000

  • 3d золотые числа 81 с галочкой на прозрачном фоне

    1200*1200

  • номер 81 золотой шрифт

    1200*1200

  • syafakallah la ba sa thohurun ​​in syaa allah арабская молитва для бесплатного скачивания

    2048*2048

  • bd письмо логотип

    1200*1200

  • asmaul husna 83

    2020*2020

  • испуганные глаза комиксов

    5042*5042

  • номер 81 3d рендеринг

    2000*2000

  • asmaul husna 81

    2020*2020

  • 3d золотые числа 83 с галочкой на прозрачном фоне

    1200*1200

  • серые облака png элемент для вашего комикса bd

    5042*5042

  • Головной мозг гипноз психология синий значок на абстрактное облако ба

    5556*5556

  • в первоначальном письме bd логотип шаблон

    1200*1200

  • bd tech логотип дизайн вектор

    8542*8542

  • почерк асмаул хана номер 83

    2500*2500

  • bd письмо логотип

    1200*1200

  • текстура шрифт стиль золотой тип № 81

    1200*1200

  • круглая буквица bd или db logo

    5000*5000

  • номер 83

    2000*2000

  • номер 83 3d рендеринг

    2000*2000

  • витамин В4 в капсулах пищевые добавки 3d визуализации

    2000*2000

  • облака небо комикс мультфильм

    5042*5042

  • буква bd crossfit logo фитнес гантели значок тренажерный зал изображения и векторные изображения стоковые фотографии

    5000*5000

  • юбилей 81 год празднование логотип номер звезды роскошный стиль логотип на черном фоне

    1200*1200

  • витамин b b1 b2 b3 b4 b6 b7 b9 b12 значок логотипа холекальциферол золотой комплекс с химической формулой шаблон дизайна

    1200*1200

  • письмо логотип bd дизайн

    1200*1200

  • 83 летний юбилей ленты

    5000*3000

  • 81 год вектор дизайн шаблона примером передового опыта

    4083*4083

  • bd письмо логотип

    1200*1200

  • 83 летие векторный дизайн шаблона иллюстрация

    4083*4083

  • 3d дизайн золотой номер 83

    1200*1200

  • 83 летие векторный дизайн шаблона иллюстрация

    4083*4083

  • 3d числа 83 в кругу на прозрачном фоне

    1200*1200

  • глюк числа 83 вектор на прозрачном фоне

    1200*1200

  • корейский традиционный бордюр 81

    1200*1200

  • 3д номер 81 90

    1200*1200

  • черный градиент 3d номер 83

    1200*1200

  • Страница не найдена (#404)

    Toggle navigationWallBox
    • Найди отличия
    • Категории
      • 3D обои
      • Hi-Tech
      • Авиация
      • Аниме
      • Город
      • Девушки
      • Еда
      • Животные
      • Игры
      • Космос
      • Кошки
      • Макро
      • Машины
      • Минимализм
      • Мужчины
      • Музыка
      • Мультфильмы
      • Настроения
      • Оружие
      • Пейзажи
      • Праздники
      • Природа
      • Разное
      • Роскошь
      • Ситуации
      • Собаки
      • Спорт
      • Стиль
      • Текстуры
      • Фантастика
      • Фильмы
      • Цветы
      • Аниме эротика
      • Эротика
    • ТОП Пользователей
    • Подборки
      • Подборки
      • ТОП Подборок пользователей
    • Добавить обои
    • Песочница
    • Вход/Регистрация

    Случайные обои

    Музыка

    7142

    Музыка

    3612

    Музыка

    5717

    Музыка

    10269

    Музыка

    11563

    Музыка

    13400

    Музыка

    3372

    Музыка

    3288

    Музыка

    11439

    Музыка

    2749

    Музыка

    9083

    Музыка

    5986

    Музыка

    5808

    Музыка

    16068

    Музыка

    5050

    Музыка

    7948

    Музыка

    3325

    Музыка

    23059

    Музыка

    4891

    Музыка

    2961

    Музыка

    4303

    Музыка

    7796

    Музыка

    10276

    Музыка

    11277

    Музыка

    5707

    Музыка

    14312

    Музыка

    7070

    Музыка

    12892

    Музыка

    16285

    Музыка

    14464

    Музыка

    3484

    Музыка

    3455

    Музыка

    2501

    Музыка

    4540

    Музыка

    3141

    Музыка

    3401

    Музыка

    3029

    Музыка

    4189

    Музыка

    3716

    Музыка

    16058

    Музыка

    5092

    Музыка

    24933

    Музыка

    18051

    Музыка

    24033

    Музыка

    8298

    Музыка

    4090

    Музыка

    14667

    Музыка

    26109

    Музыка

    8002

    Музыка

    10909

    Музыка

    14372

    Музыка

    6934

    Музыка

    4302

    Музыка

    4568

    Музыка

    16415

    Музыка

    6882

    Музыка

    20803

    Музыка

    28333

    Музыка

    4195

    Музыка

    10889

    • © WallBox 2021
    • Обратная связь

    Что такое метафорические ассоциативные карты и с чем их едят? Механизмы воздействия и основные способы работы

    Сегодня все чаще в работе психологов используются метафорические карты. Проводится множество обучающих семинаров и вебинаров по картам, даже целые фестивали, посвященные работе с колодами. Это направление, этот инструмент работы приобретает все большую популярность во всем мире. Так что же это такое – метафорические ассоциативные карты?

    Что такое метафорические карты?


    На изображении представлены карты и слова из колод «О природе и погоде» и «Из сундука прошлого»

    Метафорические карты представляют собой набор карточек размером с игральную карту или открытку. Что на них изображено? Может быть изображено все, что угодно: люди, пейзажи, животные, сказочные персонажи, абстракция – абсолютно разные по стилю и содержанию картинки, иногда подкрепленные словами и фразами. Важнее всего понимать, что главное – не то, что изображено на карте, а то, как изображенное на ней откликается в человеке.

    Когда человек всматривается в метафорическую карту, он, по сути дела, путешествует по своему внутреннему музею. Например, он смотрит на картинку, изображающую плачущего ребенка, и она порождает в нем какое-то воспоминание – это может быть ситуация, участником которой он был сам, а может – что-то, что происходило не с ним самим, но каким-то образом затронуло его. В любом случае, подобный экспонат или даже несколько в его личном музее есть, и при взгляде на карту они «оживают».

    © «Метафорические карты. Руководство для психолога» Г. Кац, Е. Мухаматулина

    Метафорические карты также имеют и другие названия и у каждого из вариантов есть право на существование:

    • Ассоциативные карты – карты вызывают у человека различные ассоциации из его жизни, опыта, которые актуализируют чувства и проблемы;

    • Проективные карты – трактовка карты всегда индивидуальна, каждый человек видит именно то, что каким-либо образом перекликается с его внутренними ощущениями;

    • Психологические карты / терапевтические карты – карты являются инструментом в работе психологов, психотерапевтов.

    Метафорические ассоциативные карты (сокращенно их еще называют МАК) – это не новое направление в психологии, не проективная методика, это – действенный и разносторонний инструмент, опора, наглядное средство в работе психолога.

    На какие возрастные группы рассчитаны метафорические карты?


    На изображении представлена карта из колоды «Про тебя»

    Один из наиболее распространенных вопросов при работе с метафорическими картами – на какой возраст они рассчитаны? Условно можно считать, что применять карты в работе стоит с клиентами не младше 5 лет. Почему? Потому что работа с картами предполагает определенный уровень развития абстрактного мышления, возможность обращаться к образам. Поэтому перед началом работы стоит оценить, насколько ваш клиент способен к этому. В остальном никаких ограничений нет – метафорические карты подходят для работы с детьми, с подростками, со взрослыми, независимо от пола, социального положения и других факторов.

    Метафорические карты могут использоваться в консультировании, групповой и индивидуальной работе, в коучинге и т.д.

    Зачем нужны метафорические карты?


    На изображении представлена карта из колоды «Это все о нем»

    Метафорические карты – помощники на разных этапах работы психолога.

    1. Помощь в установлении контакта с клиентом.

    Не так-то просто пришедшему на консультацию человеку взять и разговориться, поведать подробно о своих чувствах и переживаниях (тревога, защита, отрицание – причин может быть много). Не так просто завоевать внимание ребенка на консультации. Карты же могут помочь на начальном этапе. Для ребенка карточки становится увлекательной «игрой», для взрослых «игра» с картинками позволяет расслабиться, создает некое безопасное ощущение. Таким образом, зрительная метафора позволяет установить контакт и войти в проблематику клиентов в достаточно безопасной, «игровой» форме.

    При работе с группой это так же позволяет создать более теплую обстановку, начать работу.

    2. Снятие барьеров, защит.

    Зачастую человеку сложно сказать о проблемах напрямую. Когда клиент говорит не о себе, а описывает то, что видит на изображении – снимаются барьеры. С помощью карт человек начинает раскрываться, они помогают вынести проблему «во вне» и начать говорить о темах, на которые наложены внутренние запреты, табу.

    3. Обращение к подсознательному.

    В изображениях карточек зашифровано множество посланий. Рассматривая, описывая карту, клиент может понять то, чего не понимал до этого. Открываются возможности восприятия, которые протекают за пределами сознания.

    4. Актуализация проблем.

    Карты позволяют осознать, прочувствовать и вербализировать актуальные, волнующие проблемы. Несмотря на то, что изображение на карточке содержит различные мелочи, детали, клиент увидит именно то, что соответствует его актуальному состоянию.

    5. Поиск новых вариантов решения.

    Разглядывая и описывая карты, человек включает фантазию, запускает механизм ассоциаций, которые могут привести клиента к самым неожиданным решениям, взглядам и открытиям!

    Метафора позволяет приблизиться к внутреннему миру, ощутить проблему как отдельно существующую, увидеть перспективу преодоления как путь со своими преградами, ощутить ресурсы. В этом ее сила.

    © «Метафорические карты. Руководство для психолога» Г. Кац, Е. Мухаматулина

    Как работать с метафорическими картами?


    На изображении представлены карты из колод «Про тебя» и Это все о нем»

    Общие стратегии работы.

    Можно выделить следующие стратегии работы с метафорическими ассоциативными картами:

    • Произвольный, открытый выбор карточек – клиент сам выбирает изображения.

      Это более безопасный и менее тревожный вариант работы для клиента.

    • Закрытый выбор, выбор вслепую – клиент выбирает карточку наугад, не видя изображения. Такой вариант с одной стороны сложнее и требует более глубокой работы, а с другой – привносит элемент игры, судьбоносности.

    Так же можно подразделить стратегии работы с картами на:

    Есть клиенты, которым проще работать со зрительными образами, есть те, кому легче работать со словами, «называть вещи своими именами». Можно сочетать обе стратегии, и работать с двойным рядом карточек.

    Выбор колоды и техники работы.


    На изображении представлены колоды «О природе и погоде», «Oh» и «Cope»

    На выбор колоды карт влияет тематика колоды (Женская идентичность, Мужская идентичность, Детские переживания, Образ Я, Отношения в паре и др.

    ), стиль, изображения и цвета. В работе может использоваться как одна, так и несколько колод – это зависит от того, какие цели ставит перед собой психолог (сузить проблему, сфокусироваться на чем-то, или же наоборот расширить проблематику).

    Помимо общих стратегий работы с картами существуют и конкретные техники. Конечно, каждый психолог сам решает, какие техники использовать, руководствуясь конкретной ситуацией. Нет четко установленных правил. Здесь специалист абсолютно свободен в выборе и даже имеет право придумывать что-то свое.

    В нашей статье приведем некоторые варианты техник работы с метафорическими картами:

    • Одушевление – клиент выбирает карточку, которая олицетворяет его проблему и ведет с ней диалог;
    • Зум – совместно с клиентом можно «приближать» и «удалять» изображение на карточке. Например, можно «разделить» изображение на мелкие части, и рассмотреть их подробнее. Или же наоборот попросить выбрать другие карточки, расположить их вокруг основной на расстоянии в соответствии с их близостью к идее основной карты, что позволит увидеть всю ситуацию в целом;
    • Очки – клиенту предлагается взглянуть на проблему под разными углами. Например, поразмыслить как изображенное на карте выглядит с обратной стороны;

    Подробнее о принципах и техниках работы с ассоциативными картами можно прочитать в книге «Метафорические карты. Руководство для психолога» (авторы — Г. Кац, Е. Мухаматулина).

    В завершение хотелось бы подчеркнуть, что работа с метафорическими картами не предполагает просто распечатанные из интернета изображения. В психотерапевтической работе с метафорическими картами все имеет значение – формат, материал, покрытие (иногда может сыграть роль, глянцевое или матовое покрытие карты) и, конечно же, мастерство психолога!

    В нашем интернет-магазине «Книги по психологии» вы можете приобрести колоды метафорических ассоциативных карт и литературу по работе с ними в соответствующем разделе.

    Также приглашаем в наш розничный магазин, который находится в г. Москве (метро ВДНХ, ул. Ярославская, д. 14, корп. 1.), где вы сможете получить консультацию наших сотрудников по интересующей вас продукции и самое главное – рассмотреть, пощупать, почитать инструкции и приобрести интересующие вас колоды.


    Вернуться в раздел

    Популярные статьи

    Реферальная программа: новый сезон — новые награды! | Игровые события

    Без изменений Убрано Добавлено

    «Поддержка»

    Нанести урон или критические попадания наибольшему количеству машин противника, но не менее 6. Засчитываются цели, которые впоследствии были уничтожены другими игроками.

    «Танкист-снайпер»

    Нанести наибольшее количество урона за бой с дистанции не менее 300 метров. Произвести не менее 8 результативных выстрелов. Не менее 80% попаданий должны быть с нанесением урона, учитывается урон технике противника и повреждения модулей. Общая точность стрельбы за бой — не менее 85%. Нанесённого с расстояния свыше 300 метров урона должно быть больше очков прочности машины игрока и не менее 1000.

    «Камикадзе»

    Уничтожить тараном как минимум 1 машину противника. Машина противника должна быть выше уровнем.

    «Основной калибр»

    Нанести наибольшее количество урона за бой. Нанесённый урон должен составлять не менее 1000 единиц и не менее 20% от суммарной прочности техники противника.

    Медаль Старка

    Управляя САУ, уничтожить не менее 2 машин противника, получив не менее 2 попаданий от противника, нанёсших урон или заблокированных бронёй. Выжить в бою. Сумма полученного и заблокированного бронёй урона должна составлять не менее 2/3 от очков прочности собственной машины.

    «Дуэлянт»

    Уничтожить в бою не менее 2 машин противника, нанёсших вам урон.

    Медаль Паскуччи

    Уничтожить 2 САУ противника в одном бою. Управлять танком или ПТ-САУ.

    Медаль Халонена

    Уничтожить не менее 2 танков или ПТ-САУ противника в одном бою, управляя ПТ-САУ. Уничтоженная техника должна превосходить ПТ-САУ игрока как минимум на 2 уровня.

    «Непробиваемый»

    Получить заблокированного бронёй урона больше, чем прочность собственной машины. Выжить в бою.

    «Воин»

    Уничтожить машин противника в бою: 6.

    Медаль Гора

    Управляя САУ, нанести урон, восьмикратно превышающий значение прочности собственной машины. Уничтожение союзников недопустимо.

    «Поджигатель»

    Уничтожить поджогом как минимум 1 машину противника. Можно получить только один раз в бою. Выдаётся только в Случайных боях.

    «Стальная cтена»

    Получить наибольшее количество единиц заблокированного бронёй урона. Сумма заблокированного бронёй и полученного урона должна быть не менее 1000 единиц. Выжить в бою. Получить не менее 11 попаданий.

    Медаль Рэдли-Уолтерса

    Уничтожить машин противника: 8 или 9. Управлять техникой V уровня или выше.

    «Заговорённый»

    Выжить в победном бою, получив повреждения от минимум 4 разных игроков команды противника. Засчитываются только попадания, нанёсшие урон.

    «Защитник»

    Защитить базу, сбив не менее 70 очков захвата.

    Медаль Найдина

    Уничтожить все лёгкие танки противника в одном бою, но не менее 3.

     

    «Захватчик»

    Получить наибольшее количество очков захвата, но не менее 80.

    Медаль Йошио Тамада

    Уничтожить не менее 2 САУ противника в одном бою, управляя лёгким танком. Уничтоженная техника должна превосходить танк игрока на уровень.

     

    Медаль Лехвеслайхо

    Уничтожить 2 танка или ПТ-САУ противника в одном бою, управляя средним танком. Уничтоженная техника должна превосходить танк игрока как минимум на 1 уровень.

    Медаль Николса

    Уничтожить не менее 4 танков или ПТ-САУ противника в одном бою, управляя средним танком. Уничтоженная техника должна превосходить танк игрока как минимум на 1 уровень.

     

    Медаль Орлика

    Уничтожить не менее 2 танков или ПТ-САУ противника в одном бою, управляя лёгким танком. Уничтоженная техника должна превосходить танк игрока как минимум на 1 уровень.

    Медаль Бийота

    Уничтожить 2 машины противника, получив 5 разных повреждений модулей или ранений экипажа, потеряв при этом 80% прочности.

     

    «Дозорный»

    Предоставить разведданные, обеспечившие повреждение союзниками не менее 6 машин противника. Засчитываются цели, разведданные по которым в момент их повреждения передавал только один игрок.

    Медаль Колобанова

    Победить в бою, оставшись в одиночку против 5 и более машин противника.

     

    «Разведчик»

    Обнаружить не менее 9 машин противника.

    Медаль Фадина

    Уничтожить последним снарядом последнюю машину противника.

     

    Медаль Оськина

    Уничтожить 3 танка или ПТ-САУ противника в одном бою, управляя средним танком. Уничтоженная техника должна превосходить танк игрока как минимум на 1 уровень.

    Медаль Бурды

    Уничтожить 3 САУ противника в одном бою. Управлять танком или ПТ-САУ. Уничтоженная техника должна превосходить машину игрока как минимум на 1 уровень.

     

    Медаль Думитру

    Уничтожить 3 САУ противника в одном бою, управляя танком или ПТ-САУ.

    Медаль де Ланглада

    Уничтожить не менее 4 машин противника, захватывающих базу в одном бою.

     
     

    Медаль Пула

    Уничтожить машин противника за бой: 10–13. Управлять техникой V уровня и выше.

     
     

    Медаль героев Расейняя

    Уничтожить машин противника: 14–15.

     
     

    Медаль Тарцая

    Уничтожить 5 машин противника, получив 5 разных повреждений модулей или ранений экипажа, потеряв при этом 80% прочности.

     
     

    Медаль Бруно

    Уничтожить 3–4 машины противника, получив 5 разных повреждений модулей или ранений экипажа, потеряв при этом 80% прочности.

     

    русская народная сказка, читать онлайн

    Время чтения: 9 мин.

    Сказка Морозко (Толстой)

    Живало-бывало, – жил дед да с другой женой. У деда была дочка и у бабы была дочка. Все знают, как за мачехой жить: перевернешься – бита и недовернешься – бита. А родная дочь что ни сделает – за все гладят по головке: умница.

    Падчерица и скотину поила-кормила, дрова и воду в избу носила, печь топила, избу мела еще до свету… Ничем старухе не угодить – все не так, все худо.

    Ветер хоть пошумит, да затихнет, а старая баба расходится – не скоро уймется. Вот мачеха и придумала падчерицу со свету сжить.

    – Вези, вези ее, старик, – говорит мужу, – куда хочешь, чтобы мои глаза ее не видали! Вези ее в лес, на трескучий мороз.

    Старик затужил, заплакал, однако делать нечего, бабы не переспоришь. Запряг лошадь: – Садись, милая дочь, в сани. Повез бездомную в лес, свалил в сугроб под большую ель и уехал.

    Девушка сидит под елью, дрожит, озноб ее пробирает. Вдруг слышит – невдалеке Морозко по елкам потрескивает, с елки на елку поскакивает, пощелкивает. Очутился на той ели, под которой девица сидит, и сверху ее спрашивает:

    – Тепло ли тебе, девица?

    – Тепло, Морозушко, тепло, батюшка.

    Морозко стал ниже спускаться, сильнее потрескивает, пощелкивает:

    – Тепло ли тебе, девица? Тепло ли тебе, красная?

    Она чуть дух переводит:

    – Тепло, Морозушко, тепло, батюшка.

    Морозко еще ниже спустился, пуще затрещал, сильнее защелкал:

    – Тепло ли тебе, девица? Тепло ли тебе, красная? Тепло ли тебе, лапушка?

    Девица окостеневать стала, чуть-чуть языком шевелит:

    – Ой, тепло, голубчик Морозушко!

    Тут Морозко сжалился над девицей, окутал ее теплыми шубами, отогрел пуховыми одеялами.

    А мачеха по ней уж поминки справляет, печет блины и кричит мужу: – Ступай, старый хрыч, вези свою дочь хоронить!

    Поехал старик в лес, доезжает до того места, – под большою елью сидит его дочь, веселая, румяная, в собольей шубе, вся в золоте, в серебре, и около – короб с богатыми подарками.

    Старик обрадовался, положил все добро в сани, посадил дочь, повез домой. А дома старуха печет блины, а собачка под столом:

    – Тяф, тяф! Старикову дочь в злате, в серебре везут, а старухину замуж не берут. Старуха бросит ей блин:

    – Не так тявкаешь! Говори: «Старухину дочь замуж берут, а стариковой дочери косточки везут…»

    Собака съест блин и опять:

    – Тяф, тяф! Старикову дочь в злате, в серебре везут, а старухину замуж не берут. Старуха блины ей кидала и била ее, а собачка – все свое…

    Вдруг заскрипели ворота, отворилась дверь, в избу идет падчерица – в злате-серебре, так и сияет. А за ней несут короб высокий, тяжелый.

    Старуха глянула и руки врозь…

    – Запрягай, старый хрыч, другую лошадь! Вези, вези мою дочь в лес да посади на то же место…

    Старик посадил старухину дочь в сани, повез ее в лес на то же место, вывалил в сугроб под высокой елью и уехал.

    Старухина дочь сидит, зубами стучит. А Морозко по лесу потрескивает, с елки на елку поскакивает, пощелкивает, на старухину дочь поглядывает:

    – Тепло ли тебе, девица?

    А она ему:

    – Ой, студено! Не скрипи, не трещи, Морозко…

    Морозко стал ниже спускаться, пуще потрескивать, пощелкивать:

    – Тепло ли тебе, девица? Тепло ли тебе, красная?

    – Ой, руки, ноги отмерзли! Уйди, Морозко…

    Еще ниже спустился Морозко, сильнее приударил, затрещал, защелкал:

    – Тепло ли тебе, девица? Тепло ли тебе, красная?

    – Ой, совсем застудил! Сгинь, пропади, проклятый Морозко!

    Рассердился Морозко да так хватил, что старухина дочь окостенела. Чуть свет старуха посылает мужа:

    – Запрягай скорее, старый хрыч, поезжай за дочерью, привези ее в злате-серебре… Старик уехал. А собачка под столом:

    – Тяф! Тяф! Старикову дочь женихи возьмут, а старухиной дочери в мешке косточки везут.

    Старуха кинула ей пирог: – Не так тявкаешь! Скажи: «Старухину дочь в злате-серебре везут…»

    А собачка – все свое: – Тяф, тяф! Старухиной дочери в мешке косточки везут…

    Заскрипели ворота, старуха кинулась встречать дочь. Рогожу отвернула, а дочь лежит в санях мертвая. Заголосила старуха, да поздно.

    Сказка Морозко (Афанасьев)

    У мачехи была падчерица да родная дочка; родная что ни сделает, за все ее гладят по головке да приговаривают: «Умница!» А падчерица как ни угождает — ничем не угодит, все не так, все худо; а надо правду сказать, девочка была золото, в хороших руках она бы как сыр в масле купалась, а у мачехи каждый день слезами умывалась. Что делать? Ветер хоть пошумит, да затихнет, а старая баба расходится — не скоро уймется, все будет придумывать да зубы чесать. И придумала мачеха падчерицу со двора согнать:

    — Вези, вези, старик, ее куда хочешь, чтобы мои глаза ее не видали, чтобы мои уши о ней не слыхали; да не вози к родным в теплую хату, а во чисто поле на трескун-мороз!

    Старик затужил, заплакал; однако посадил дочку на сани, хотел прикрыть попонкой — и то побоялся; повез бездомную во чисто поле, свалил на сугроб, перекрестил, а сам поскорее домой, чтоб глаза не видали дочерниной смерти.

    Осталась бедненькая одна в поле, трясется и тихонько молитву творит. Приходит Мороз, попрыгивает, поскакивает, на красную девушку поглядывает:

    — Девушка, девушка, я Мороз красный нос!

    — Добро пожаловать, Мороз. Знать, бог тебя принес по мою душу грешную.

    Мороз хотел ее тукнуть и заморозить; но полюбились ему ее умные речи, жаль стало! Бросил он ей шубу. Оделась она в шубу, поджала ножки, сидит.

    Опять пришел Мороз красный нос, попрыгивает, поскакивает, на красную девушку поглядывает:

    — Девушка, девушка, я Мороз красный нос!

    — Добро пожаловать, Мороз. Знать, бог тебя принес по мою душу грешную.

    Мороз пришел совсем не по душу, он принес красной девушке сундук высокий да тяжелый, полный всякого приданого. Уселась она в шубке на сундучке, такая веселенькая, такая хорошенькая!

    Опять пришел Мороз красный нос, попрыгивает, поскакивает, на красную девушку поглядывает. Она его приветила, а он ей подарил платье, шитое и серебром и золотом. Надела она его и стала такая красавица, такая нарядница! Сидит и песенки попевает.

    А мачеха по ней поминки справляет; напекла блинов.

    — Ступай, муж, вези хоронить свою дочь. Старик поехал. А собачка под столом:

    — Тяв, тяв! Старикову дочь в злате, в серебре везут, а старухину женихи не берут!

    — Молчи, дура! На блин, скажи: старухину дочь женихи возьмут, а стариковой одни косточки привезут!

    Собачка съела блин да опять:

    — Тяв, тяв! Старикову дочь в злате, в серебре везут, а старухину женихи не берут!

    Старуха и блины давала, и била ее, а собачка все свое:

    — Старикову дочь в злате, в серебре везут, а старухину женихи не возьмут!

    Скрипнули ворота, растворилися двери, несут сундук высокий, тяжелый, идет падчерица — панья паньей сияет! Мачеха глянула — и руки врозь!

    — Старик, старик, запрягай других лошадей, вези мою дочь поскорей! Посади на то же поле, на то же место.

    Повез старик на то же поле, посадил на то же место. Пришел и Мороз красный нос, поглядел на свою гостью, попрыгал-поскакал, а хороших речей не дождался; рассердился, хватил ее и убил.

    — Старик, ступай, мою дочь привези, лихих коней запряги, да саней не повали, да сундук не оброни! А собачка под столом:

    — Тяв, тяв! Старикову дочь женихи возьмут, а старухиной в мешке косточки везут!

    — Не ври! На пирог, скажи: старухину в злате, в серебре везут!

    Растворились ворота, старуха выбежала встретить дочь, да вместо ее обняла холодное тело. Заплакала, заголосила, да поздно!

    Чего ожидать, Диагностика, Безопасность, Результаты

    Обзор

    Что такое рентген грудной клетки?

    Рентген грудной клетки — это тест, который создает изображение вашего сердца, легких и костей. Другое название рентгенограммы грудной клетки — рентгенограмма грудной клетки.

    Что такое рентгеновские лучи?

    Рентгеновские лучи используют сфокусированные пучки излучения. Эти лучи излучения создают картины изнутри вашего тела. Рентгеновские изображения выглядят как негативы черно-белых фотографий.

    Когда мне делать рентген грудной клетки?

    Рентген грудной клетки помогает врачам диагностировать проблемы, которые вызывают симптомы в вашем сердце или легких. Некоторые из этих симптомов включают:

    Ваш лечащий врач может также порекомендовать рентген грудной клетки для диагностики или мониторинга определенных состояний здоровья, в том числе:

    Кто выполняет рентген грудной клетки?

    Радиолог выполняет рентген грудной клетки. Эти технологи прошли специальную подготовку в области рентгеновского контроля.

    Детали теста

    Как работает рентген грудной клетки?

    Ткани вашего тела различаются по толщине. Когда радиация проходит через ваше тело, каждая структура вашего тела пропускает различное количество радиации.

    Например, ваши кости очень толстые и не пропускают большое количество радиации. Кости на рентгеновском снимке выглядят белыми. Однако ваши легкие пропускают больше излучения. На рентгеновском снимке ваши легкие выглядят серыми.

    Медицинские работники изучают цвета и оттенки на рентгеновском снимке для диагностики и лечения заболеваний.

    Как подготовиться к рентгенологическому исследованию грудной клетки?

    Рентген грудной клетки практически не требует подготовки. Собираясь на прием, наденьте свободную удобную одежду без металла (молнии, кнопки, застежки бюстгальтера) и оставьте украшения дома.

    Если у вас есть пирсинг, обратитесь в рентгенологический центр за конкретными инструкциями. Украшения для тела могут мешать четкому изображению. Возможно, вам придется удалить его или заменить на акриловый фиксатор.

    Чего мне ожидать во время рентгена грудной клетки?

    Вы можете переодеться в медицинский халат в кабинете врача.Рентгенолог также попросит вас удалить весь металл, например, очки, украшения или заколки для волос.

    Обычно рентген грудной клетки состоит из двух частей:

    1. Вы стоите грудью напротив металлической пластины рентгеновского аппарата и положите руки на бедра. Это положение создает изображение передней части груди.
    2. Вы стоите боком против металлической пластины рентгеновского аппарата и поднимаете руки вверх. Эта поза создает образ боковой части груди.

    Во время рентгена грудной клетки нужно оставаться неподвижным и задерживать дыхание. Любое движение, даже вдох и выдох, может размыть рентгеновское изображение.

    Рентген грудной клетки обычно занимает несколько минут.

    Что мне ожидать после рентгена грудной клетки?

    После рентгена ваш радиолог может попросить вас подождать несколько минут, пока он просматривает изображения. Если какое-либо из изображений нечеткое, технологу, возможно, придется пересдать рентгеновские снимки.

    Рентгеновские снимки отправляются радиологу, который проверяет их на предмет нормальных и отклонений от нормы. Затем ваш лечащий врач изучит изображения и отчет рентгенолога, чтобы обсудить с вами результаты рентгеновского снимка.

    Каковы риски рентгена грудной клетки?

    Рентгеновские лучи используют очень небольшое количество излучения. Риски для взрослых минимальны. Рентгеновские лучи с более низким уровнем излучения можно использовать у маленьких детей, чтобы свести к минимуму риск в этой популяции.

    Безопасен ли рентген грудной клетки, если я беременна?

    Всегда сообщайте своему врачу, если есть вероятность, что вы беременны.Облучение может нанести вред развивающемуся ребенку. В общем, количество радиации, используемой для простого рентгена грудной клетки, настолько мало, что считается безопасным во время беременности, но ваш лечащий врач поможет принять решение о проведении рентгена, исходя из срочности ваших симптомов.

    Результаты и последующие действия

    Когда мне следует узнать результаты рентгена грудной клетки?

    В неэкстренных случаях результаты рентгеновского обследования обычно известны в течение одного-двух дней.В экстренных случаях вы обычно узнаете свои результаты через несколько минут или часов.

    Когда мне следует позвонить своему врачу?

    Позвоните своему врачу, если у вас возникнут:

    • Травма грудной клетки, например, подозрение на перелом ребра.
    • Боль в груди, которая не проходит.
    • Хронический кашель.
    • Затрудненное дыхание.

    Записка из клиники Кливленда

    Рентген грудной клетки — это исследование сердца, легких и костей.Рентген грудной клетки использует небольшую дозу радиации для создания черно-белого изображения. Медицинские работники могут смотреть на это изображение, чтобы диагностировать и лечить сломанные кости, сердечные заболевания и проблемы с легкими. Рентген грудной клетки — это быстрое неинвазивное вмешательство, которое проводится в офисе поставщика медицинских услуг или в больнице. В неэкстренных ситуациях вы узнаете результаты рентгена грудной клетки в течение одного-двух дней.

    CAT Scan: сундук (для родителей)

    Что это такое

    Компьютерная томография грудной клетки — это безболезненный тест, при котором с помощью специального рентгеновского аппарата получают черно-белые снимки легких, сердца, кровеносных сосудов, дыхательных путей, ребер и лимфатических узлов пациента.

    Машина в форме пончика кружит по телу вашего ребенка, делая снимки, чтобы получить поперечные сечения внутренних органов под разными углами. Эти изображения отправляются на компьютер, который записывает изображения. Он также может соединить их вместе, чтобы сформировать трехмерное (3-D) изображение. Техник-радиолог выполняет компьютерную томографию (также называемую компьютерной томографией или компьютерной аксиальной томографией).

    Почему это сделано

    Компьютерная томография грудной клетки позволяет обнаружить признаки воспаления, инфекции, травмы или заболевания легких, дыхательных путей (бронхов), сердца, крупных кровеносных сосудов, лимфатических узлов и пищевода.Врач может назначить компьютерную томографию грудной клетки для выявления заболеваний, связанных с легкими и дыхательными путями, для диагностики врожденных дефектов, просмотра опухоли, оценки кровеносных сосудов, питающих сердце и легкие, или оценки последствий травматического повреждения.

    стр. 2

    Препарат

    Вашего ребенка могут попросить снять всю одежду и аксессуары и переодеться в больничную одежду, поскольку пуговицы, молнии, застежки или украшения могут мешать изображению.

    Вашему ребенку, возможно, придется воздержаться от еды и питья в течение нескольких часов перед сканированием, чтобы желудок был пуст. Голодание требуется, если вашему ребенку нужно дать успокоительное или получить контрастный раствор, который выделяет определенные части тела, чтобы врачи могли увидеть больше деталей в определенных областях.

    Если ваша дочь беременна, важно сообщить об этом ее технику или врачу, потому что существует небольшая вероятность того, что излучение от компьютерной томографии может нанести вред развивающемуся ребенку. Но если компьютерная томография необходима, можно принять меры для защиты ребенка.

    Процедура

    Продолжительность процедуры варьируется от нескольких минут до 45 минут. Это время зависит от возраста ребенка, от того, вводится ли контрастный раствор и требуется ли седативный эффект. Фактическое время воздействия радиации намного меньше.

    Ваш ребенок войдет в специальную комнату и ляжет на узкий стол. Компьютерная томография грудной клетки выполняется, когда ваш ребенок лежит на спине, животе или боку. Если требуется контрастный раствор, его можно ввести через капельницу, которая будет помещена в руку или руку вашего ребенка.Внутривенное введение будет похоже на быстрый укол булавкой, но раствор безболезнен, поскольку попадает в вену. Или вашему ребенку могут назначить пероральный контраст, который представляет собой специальную жидкость для питья перед процедурой. Некоторым детям не нравится вкус, но его можно ароматизировать, чтобы сделать его более привлекательным.

    Техник разместит вашего ребенка, затем отойдет за стену или в соседнюю комнату, чтобы управлять машиной, наблюдая за ребенком через окно. Техник поговорит с вашим ребенком по внутренней связи.Вы сможете оставаться в комнате для компьютерной томографии до начала теста, затем вы присоединитесь к техническому специалисту во внешней комнате или вас могут попросить сесть в комнате ожидания. Если вы останетесь с техником, вас попросят надеть свинцовый фартук, чтобы защитить определенные части вашего тела.

    Седация может потребоваться, если ваш ребенок не может лежать неподвижно во время сканирования, что является обычным явлением среди младенцев и маленьких детей. Седативные препараты вводятся через капельницу и помогают ребенку чувствовать себя комфортно во время компьютерной томографии.Когда процедура начинается, стол перемещается через CAT-машину. Детей старшего возраста попросят задержать дыхание и оставаться неподвижными на несколько секунд, чтобы изображения не размывались.

    стр.3

    Чего ожидать

    Ваш ребенок ничего не почувствует во время компьютерной томографии, но может услышать жужжание и жужжание во время работы аппарата. В комнате может быть прохладно из-за кондиционера, используемого для обслуживания оборудования. Некоторым детям может быть неудобно лежать на месте в течение длительного времени.

    После завершения сканирования вашего ребенка попросят подождать несколько минут, чтобы технический специалист мог проверить качество изображений. Если они нечеткие, возможно, потребуется переделать некоторые части компьютерной томографии. Если вашему ребенку потребовалась седация, лекарство подействует через некоторое время.

    Получение результатов

    Изображения компьютерной томографии будет рассматривать радиолог (врач, специально обученный чтению и интерпретации рентгеновских изображений). Радиолог отправит отчет врачу вашего ребенка, который обсудит с вами результаты и объяснит, что они означают.

    Результат обычно готов через 1-2 дня. Если компьютерная томография была проведена в экстренном порядке, результаты могут быть доступны быстро. В большинстве случаев результаты не могут быть переданы непосредственно пациенту или семье во время теста.

    Риски

    В целом компьютерная томография очень безопасна, хотя требуется больше излучения, чем при обычном рентгеновском снимке. Любое воздействие радиации представляет определенный риск для организма, но количество, используемое в отдельной процедуре компьютерной томографии, не считается опасным.Важно знать, что радиологи используют минимальное количество излучения, необходимое для получения наилучших результатов.

    Если ваша дочь беременна, существует риск причинения вреда развивающемуся ребенку, поэтому необходимо соблюдать меры предосторожности. Контрастные растворы, как правило, безопасны и вызывают очень низкую вероятность аллергических реакций. Они могут содержать йод, который может вызвать проблемы у детей с аллергией на йод или моллюсков, а также с другими заболеваниями. Обязательно сообщите своему врачу о любых лекарствах, красителях и пищевой аллергии, которые могут быть у вашего ребенка.Некоторым пациентам, подверженным риску аллергической реакции на контрастный раствор, могут потребоваться лекарства, такие как антигистаминные препараты или стероиды, чтобы минимизировать риск побочных реакций.

    Если вашему ребенку нужна седация, есть небольшая вероятность замедления дыхания из-за лекарств. Если есть какие-либо проблемы с седацией, специалисты по компьютерной томографии готовы немедленно их лечить.

    Помогая своему ребенку

    Вы можете помочь своему ребенку подготовиться к компьютерной томографии, объяснив тест простым языком перед процедурой.Вы можете описать комнату и оборудование, которое будет использоваться, и заверить ребенка, что вы будете рядом. Детям постарше обязательно объясните, как важно оставаться на месте, чтобы сканирование можно было завершить быстро и его части не нужно было повторять.

    Если у вас есть вопросы

    Если у вас есть вопросы о том, зачем нужна компьютерная томография грудной клетки, поговорите с врачом. Вы также можете поговорить со специалистом по компьютерной томографии перед процедурой.

    Точность определения размера порции пищи по цифровым снимкам, полученным нагрудной камерой

    Задача: Точная оценка размера порции пищи имеет первостепенное значение в диетических исследованиях.Мы разработали небольшое электронное устройство на груди под названием eButton, которое автоматически фотографирует потребляемые продукты для объективной диетической оценки. По полученным изображениям размер порции пищи может быть рассчитан в полуавтоматическом режиме с помощью компьютерного программного обеспечения. Целью настоящего исследования является оценка точности рассчитанного размера (объемов) порции пищи по фотографиям eButton.

    Дизайн: Во время обеда участники носили электронные кнопки.Объем еды на каждом изображении eButton был рассчитан с помощью программного обеспечения. Для сравнения, три эксперта оценили объем еды, просмотрев одну и ту же картинку. Фактический объем был определен физическим измерением с использованием замещения семян.

    Параметр: Столовая и кабинеты в исследовательской лаборатории.

    Предметы: Семь добровольцев из лаборатории.

    Полученные результаты: Были собраны изображения 100 образцов продуктов питания (пятьдесят западных и пятьдесят азиатских продуктов), и каждый объем пищи был оценен по этим изображениям с использованием программного обеспечения. Средняя относительная ошибка между расчетным объемом и фактическим объемом по всем образцам составила -2,8% (95% ДИ -6,8%, 1,2%) с SD 20,4%. Для восьмидесяти пяти образцов объемы пищи, определенные компьютером, не более чем на 30% отличались от результатов реальных физических измерений.При сравнении оценок объема, выполненных компьютером и оценщиками, компьютерные оценки показали гораздо меньшую систематическую ошибку и изменчивость.

    Выводы: На основе тех же изображений eButton компьютерный метод обеспечивает более объективные и точные оценки объема пищи, чем метод визуальной оценки.

    Компьютерная томография (КТ) грудной клетки

    Что такое компьютерная томография грудной клетки?

    КТ — это разновидность визуализационного теста.Он использует рентгеновские лучи и компьютерные технологии для сделайте подробные снимки органов и структур внутри груди. Эти изображения более детализированы, чем обычные рентгеновские снимки. Они могут дать больше информация о травмах или заболеваниях органов грудной клетки.

    При компьютерной томографии рентгеновский луч движется по кругу вокруг вашего тела. Занимает много изображений, называемых срезами, легких и внутренней части грудной клетки. Компьютер обрабатывает эти изображения и отображает их на мониторе.

    Во время теста вы можете получить контрастный краситель.Это сделает части ваше тело лучше отображается на изображении.

    Другие связанные процедуры, которые могут использоваться для диагностики проблем с легкими. и дыхательные пути включают бронхоскопия, бронхография, рентгеноскопия грудной клетки, рентгенограмма грудной клетки, УЗИ грудной клетки, биопсия легкого, сканирование легких, медиастиноскопия, оксиметрия, измерение пикового расхода, позитронно-эмиссионная томография (ПЭТ), биопсия плевры, легочная ангиограмма, легочные функциональные пробы, рентген носовых пазух и плевроцентез.

    Зачем мне может понадобиться компьютерная томография грудной клетки?

    Компьютерная томография грудной клетки может быть проведена для проверки грудной клетки и ее органов на:

    • Засорения

    • Травмы

    • Внутригрудное кровотечение

    • Инфекции

    • Другие проблемы со здоровьем

    • Опухоли и другие поражения

    • Необъяснимая боль в груди

    КТ может быть проведена при другом типе обследования, таком как рентген или физический осмотр не является окончательным.

    Этот тест также можно использовать для направления игл во время биопсии грудной клетки. органы или опухоли. Биопсия — это удаление небольшого кусочка ткани, чтобы он можно исследовать в лаборатории. Компьютерная томография также может помочь удалить проба жидкости из грудной клетки. Они полезны для наблюдения за опухолями и другие состояния груди до и после лечения.

    Ваш лечащий врач может порекомендовать КТ и по другим причинам. сканирование грудной клетки.

    #TomorrowsDiscoveries: Визуализация сердечно-сосудистой системы | Жоао А.К. Лима, доктор медицины, МБА

    Д-р Жоао Лима описывает последние достижения в области визуализации, которые предоставляют важную информацию о сердце и кровеносных сосудах без необходимости в инвазивных процедурах, таких как инъекции красителя и катетеризация.

    Каковы риски компьютерной томографии грудной клетки?

    Вы можете спросить своего врача о количестве радиации. используется во время компьютерной томографии.Вам следует обсудить риски, связанные с вашим частный случай. Это хорошая идея — вести записи о своем прошлом история радиационного воздействия. Расскажите своему врачу о предыдущих КТ и другие виды рентгеновских лучей. Ваши риски радиационного облучения могут быть относится к общему количеству рентгеновских обследований или процедур за длительный период времени.

    Если вы беременны или думаете, что беременны, сообщите об этом своему врачу. провайдер. Облучение во время беременности может привести к врожденным дефектам.Если вы кормите грудью, сообщите об этом своему врачу. Спросите, следует ли вам откачайте и сохраните грудное молоко для использования после процедуры.

    При использовании контрастного красителя существует риск возникновения аллергической реакции. к красителю. Сообщите своему врачу, если у вас когда-либо была реакция к любому контрастному красителю или если у вас были проблемы с почками.

    Если у вас почечная недостаточность или другие проблемы с почками, сообщите об этом своему врачу. провайдер. В некоторых случаях контрастный краситель может вызвать почечную недостаточность.Это особенно актуально, если у пациента есть проблемы с почками или обезвоженный.

    Если вы примете с контрастом лекарство от диабета, называемое метформином, вы подвержены риску развития метаболического ацидоза. Это состояние, при котором у вас небезопасное изменение pH крови. Люди с заболеванием почек больше склонны к повреждению почек после воздействия контраста.

    Могут быть и другие риски в зависимости от ваших конкретных медицинских проблем. Делать убедитесь, что ваш лечащий врач знает обо всех ваших медицинских проблемах раньше процедура.

    Некоторые вещи могут снизить точность компьютерной томографии грудной клетки. Эти включают:

    • Барий в пищеводе из недавнего исследования бария

    • Пирсинг на груди

    • Металлические предметы в груди, такие как хирургические зажимы или кардиостимулятор

    Как подготовиться к компьютерной томографии?

    Если у вас компьютерная томографическая ангиография (КТА) с радиологией Джона Хопкинса вам дадут конкретные инструкции, когда вы записываетесь на прием.

    МЕРЫ ПРЕДОСТОРОЖНОСТИ : Если вы беременны или думаете, что беременны, пожалуйста, проконсультируйтесь с вашим врач перед назначением экзамена. Остальные варианты обсудим с вами и ваш врач.

    ОДЕЖДА : Вас могут попросить переодеться в халат для пациента. Если так, то платье будет предоставлено для вас. Для личных вещей будет предоставлен запирающийся шкафчик. Удалите все пирсинг и оставьте все драгоценности и ценные вещи дома.

    КОНТРАСТ СМИ : КТ чаще всего выполняется с контрастным веществом и без него.В контрастные вещества улучшают способность рентгенолога просматривать изображения внутри тела.

    • Некоторым пациентам противопоказаны контрастные вещества на основе йода. Если у вас проблемы с функцией почек, сообщите об этом представитель центра доступа при назначении встречи. Ты может иметь возможность выполнить сканирование без контрастного вещества или пройти альтернативное визуализационное обследование.

    • Наиболее распространенный вид КТ с контрастированием — двойная контрастное исследование, которое потребует от вас пить контрастное вещество перед началом исследования в дополнение к внутривенному контрастированию.Чем больше чем вы способны пить, тем лучше будут изображения для рентгенолог, чтобы визуализировать ваш пищеварительный тракт.

    АЛЛЕРГИЯ : Пожалуйста, сообщите представителю центра доступа, когда планируете КТ. отсканируйте, если у вас была аллергическая реакция на какое-либо контрастное средство. IV контраст не будет назначен, если у вас был тяжелый или анафилактический реакция на любые контрастные вещества в прошлом. Если у вас была легкая или умеренная реакции в прошлом, вам, вероятно, потребуется принять лекарства до Компьютерная томография.Эти планы будут подробно обсуждены с вами при составлении расписания. ваш экзамен. Любые известные реакции на контрастные вещества следует обсуждать с Ваш личный врач.

    ЕСТЬ / НАПИТЬ : Если ваш врач назначил компьютерную томографию без контраста , вы можно есть, пить и принимать назначенные лекарства перед экзаменом. Если Ваш врач назначил компьютерную томографию с контрастом , ничего не ешьте за три часа до КТ. Ты рекомендуется пить прозрачные жидкости.Вы также можете принимать предписанные лекарства перед экзаменом.

    ДИАБЕТИКА : Диабетикам следует съесть легкий завтрак или обед за три часа до время сканирования. В зависимости от того, какие пероральные лекарства от диабета вы принимаете, вас могут спросить: прекратить прием лекарства в течение 48 часов после компьютерной томографии. Если у вас есть компьютерная томография с радиологией Джонса Хопкинса, подробные инструкции будет выдан после вашего осмотра.

    ЛЕКАРСТВО : Все пациенты могут принимать прописанные им лекарства в обычном режиме.

    В зависимости от вашего состояния здоровья врач может запросить другие конкретные подготовка.

    Что происходит после компьютерной томографии грудной клетки?

    Если во время процедуры использовался контрастный краситель, за вами могут наблюдать период времени для любых побочных эффектов или реакций на контрастный краситель. Эти включают зуд, отек, сыпь или затрудненное дыхание.

    Сообщите своему врачу, если вы заметили боль, покраснение или отек. в месте для внутривенного вливания после возвращения домой.Это могут быть признаки инфекции. или другой тип реакции.

    Если вам вводят контраст через рот, у вас может быть диарея или запор. после процедуры.

    В противном случае вам не понадобится особый уход после компьютерной томографии грудной клетки. Вы можете вернуться к своей обычной диете и занятиям, если только ваше здоровье провайдер вам по другому говорит.

    Ваш лечащий врач может дать вам другие инструкции, в зависимости от вашего ситуация.

    Pectus carinatum (голубиная грудь) | Британский фонд легких

    Pectus carinatum широко известен как голубиная грудь.Это происходит, когда часть грудины вашего ребенка выдавливается наружу или приподнята вверх.


    Что такое pectus carinatum (голубиная грудь) и как это повлияет на моего ребенка?

    Pectus carinatum (голубиная грудь) — это когда часть грудины вашего ребенка выдавливается наружу или приподнята вверх. Обычно сначала он развивается во время резкого скачка роста у детей и подростков в возрасте 10 лет и старше.

    Голубиная грудь у разных людей развивается по-разному. Он может выдвигать вперед верхнюю, боковую или нижнюю часть грудины, так что выступает наружу.Он может развиваться одинаково с обеих сторон (симметрично) или возникать только с одной стороны (асимметричный). Грудь может быть жесткой или гибкой.

    Насколько это распространено?

    Голубиный сундук — редкость. Он поражает 1-2 детей из тысячи и чаще встречается у мальчиков, чем у девочек.


    Что вызывает голубиную грудь?

    Мы не знаем наверняка, что вызывает голубиную грудь. Одна из возможных причин — слишком сильный рост ткани, соединяющей грудину с ребрами.Другая причина может быть в том, что части самой кости слишком сильно разрастаются. Иногда это происходит после операции на открытом сердце.

    Голубиный сундук, кажется, разбегается по семьям. Но мы не знаем наверняка, является ли это наследственным заболеванием.

    Иногда голубиная грудь развивается как часть редкого генетического заболевания. У людей с заболеваниями, включая синдром Марфана и синдром Нунана, симптом может быть «голубиной грудью».


    Есть ли осложнения?

    У большинства людей с голубиной грудью нет других проблем.До 1 из 10 человек с деформациями грудной клетки, такими как голубиная грудь, также могут иметь сколиоз.

    Если у вашего ребенка голубиная грудь как часть генетического заболевания, такого как синдром Марфана или синдром Нунана, он будет иметь это наряду с рядом других симптомов.

    Изображение тела и груди голубя

    Поскольку это влияет на форму груди, некоторые дети и взрослые с голубиной грудью могут быть недовольны своим телом. Это может сильно повлиять на их жизнь. Даже если «голубиная грудь» не вызывает каких-либо физических проблем, может быть рекомендовано лечение для повышения самооценки и качества жизни вашего ребенка.


    Каковы признаки и симптомы?

    У большинства детей с голубиной грудью отсутствуют какие-либо симптомы, за исключением того, что грудь выпирает. Обычно это начинает развиваться в возрасте 10 лет и старше.

    Некоторые люди с голубиной грудью могут чувствовать болезненность в области приподнятой груди.

    У некоторых может развиться ригидность грудной клетки. У них может возникнуть одышка, и им станет труднее дышать, особенно во время физических упражнений.


    Как диагностируется голубиная грудь?

    Голубиная грудь может быть диагностирована визуально.Врачу обычно достаточно посмотреть на грудь вашего ребенка.

    Некоторым детям может потребоваться рентген или компьютерная томография, чтобы врач или хирург мог увидеть, как растет их грудина.

    У них могут быть тесты, чтобы проверить, правильно ли работает их сердце, и тесты на дыхание, чтобы увидеть, насколько хорошо работают их легкие.

    Они могут сдать анализ крови, чтобы исключить генетические причины, такие как синдром Марфана и синдром Нунана.


    Само по себе поправится?

    Голубиный сундук вряд ли поправится сам по себе.В некоторых легких случаях тяжелая атлетика и упражнения могут укрепить мышцы груди, что может помочь скрыть форму грудины.


    Что такое лечение?

    Легкие формы грудной клетки голубя могут не нуждаться в лечении. Лечение рекомендуется, как правило, по косметическим причинам или для повышения самооценки и качества жизни. Детям младше 10 лет его обычно не проводят.

    Ортопедия

    Детям с «голубиной грудью» средней и тяжелой степени может быть выполнено ортопедическое лечение.Это означает использование специального оборудования для коррекции формы груди.

    Ваш ребенок будет носить грудной компрессионный бандаж. Это оказывает легкое давление на грудную клетку, чтобы со временем изменить форму и положение грудной клетки. Нагрудный ортез может быть готовым или изготовленным по индивидуальному заказу для вашего ребенка.

    Вашему ребенку необходимо будет носить бандаж каждый день. Лечение может занять до 2 лет в зависимости от возраста вашего ребенка, степени жесткости его груди и степени тяжести голубиной груди.Чтобы лечение было эффективным, важно, чтобы ваш ребенок носил корсет в соответствии с указаниями ортопеда. Чем больше часов они проводят в бандаже, тем больше шансов на успех.

    Хирургия

    Если у вашего ребенка голубиная грудь тяжелее, ему может потребоваться операция.


    Дополнительная информация

    Дополнительную информацию об операции по коррекции грудной клетки можно найти на веб-сайте Royal Brompton NHS Trust.

    Доступно ли лечение в моем районе?

    Не каждая часть Великобритании предлагает ортопедическое лечение или операцию по удалению голубиной грудной клетки.Возможно, вам придется отправиться в другой район. Ваш врач направит вас.

    Наверх ▲

    Подход на основе глубоких сверточных нейронных сетей

    Коронавирусная болезнь (COVID19) — это быстро распространяющееся инфекционное заболевание, которое в настоящее время вызывает кризис здравоохранения во всем мире. Из-за текущих ограничений тестов на основе полимеразной цепной реакции с обратной транскрипцией (ОТ-ПЦР) для обнаружения COVID19 в последнее время в различных работах были предложены идеи, основанные на радиологической визуализации.В этой работе исследуются различные подходы на основе Deep CNN для обнаружения присутствия COVID19 по КТ-изображениям грудной клетки. Также предлагается подход, основанный на слиянии решений, который объединяет прогнозы из нескольких отдельных моделей для получения окончательного прогноза. Экспериментальные результаты показывают, что предлагаемый подход, основанный на слиянии решений, может достигать результатов выше 86% по всем рассматриваемым показателям производительности, при этом средний AUROC и F1-Score составляют 0,883 и 0,867 соответственно. Экспериментальные наблюдения предполагают потенциальную применимость такого подхода, основанного на Deep CNN, в реальных диагностических сценариях, которые могут быть очень полезны с точки зрения достижения быстрого тестирования на COVID19.

    1. Введение

    Продолжающаяся пандемия коронавирусной болезни (COVID19) в настоящий момент вызывает серьезный глобальный кризис. С более чем 12 миллионами случаев заражения COVID19 во всем мире, которые уже стали причиной более 550 000 смертей (согласно статистике Всемирной организации здравоохранения: https://www.who.int/emergencies/diseases/novel-coronavirus-2019), эта пандемия представляет собой самую крупную угроза здравоохранения человечеству на данный момент. В настоящее время тесты для обнаружения COVID19 выполняются на основе полимеразной цепной реакции с обратной транскрипцией (ОТ-ПЦР), , для получения результатов которой обычно требуется 4–6 часов.Кроме того, наличие наборов для тестирования представляет собой еще одну серьезную проблему с точки зрения эффективного выявления заболевания. Для решения этих проблем подходы, основанные на радиологической визуализации, были недавно предложены в нескольких работах [1–4], что показало большие перспективы для применения подходов, основанных на искусственном интеллекте (AI) и глубоком обучении (DL), для эффективного обнаружения заболевания грудной клетки. КТ изображения. В связи с необходимостью всесторонней оценки таких подходов, основанных на ИИ, в этой работе изучаются и экспериментально изучаются стратегии на основе Deep CNN для оценки полезности подходов в условиях нынешнего кризиса.

    В области медицинской визуализации в недавнем прошлом произошли революционные изменения, связанные с достижениями в области DL и компьютерного зрения (CV), для многих заболеваний, таких как рак, пневмония, ОРДС, MERS, SARS и т. Д. Во время текущей пандемии COVID19 стало еще более важным, чтобы такие подходы, основанные на DL, использовались в режиме реального времени. Успешное применение таких подходов, основанных на DL, потенциально может быть очень полезным, особенно в отношении быстрого тестирования и обнаружения заболевания.

    Применение фреймворка на основе 3D DL было изучено Li et al. [1], где предложенный подход был обучен с использованием набора данных компьютерной томографии, который состоял из сканирования COVID19, распространенной пневмонии (ВП) и компьютерной томографии, не связанной с пневмонией. Цель заключалась в том, чтобы провести различие между случаями COVID19, ВП и непневмонией. Wang et al. [2] предложили использовать подход на основе Deep CNN на КТ-изображениях для дифференциации COVID19 и типичных случаев вирусной пневмонии с достижением точности 73%. Подход на основе DL с механизмом, основанным на локальном внимании, был изучен Xu et al.[3], чтобы различать COVID19, вирусную пневмонию гриппа A и компьютерную томографию здоровых людей. Однако наборы данных, использованные в этих исследованиях, не были опубликованы из соображений конфиденциальности. Недавно Zhao et al. [4] опубликовали набор данных компьютерной томографии, состоящий из изображений, собранных из различных исследовательских статей, опубликованных в этой области. Авторы также протестировали применение архитектур на основе DenseNet для различения положительных и отрицательных случаев COVID19, достигнув точности 84.7% при значениях F1-Score и AUROC 0,853 и 0,824 соответственно. Совместная система классификации и сегментации (JCS) была предложена Wu et al. [5], где на изображениях компьютерной томографии использовались модели на основе CNN, чтобы различать положительные и отрицательные случаи заболевания и обнаруживать мелкозернистую область поражения, из которой была сделана сегментация изображений. В другой аналогичной работе Amyar et al. [6] предложили модель глубокого обучения с использованием комбинации COVID19, нормальных изображений, рака легких и других типов патологических КТ-изображений грудной клетки для классификации и сегментации COVID19.Используя один кодер и два декодера для реконструкции и сегментации, а также многослойный персептрон для классификации, они достигли значительного коэффициента игральной кости и значения ROC. При ограниченных ресурсах модели на основе Light CNN значительно эффективны при оценке медицинских изображений. Polsinelli et al. [7] предложили модель на основе SqueezeNet, позволяющую отличать КТ-изображения COVID19 от других изображений, и сообщили о чувствительности 85% и 0,8333 F1-Score. Помимо изображений КТ, не менее важно изучить другие способы изображения и их значение при обнаружении COVID19.Born et al. [8] использовали набор данных УЗИ легких (POCUS) для обнаружения COVID19. Их модель глубокого обучения (POCOVID-Net) скопировала сверточную часть VGG16, а для плотной части один скрытый слой с 64 нейронами и последующей активацией ReLU, выпадением и пакетной нормализацией сопровождался выходным слоем с активацией softmax, предварительно обученным в ImageNet для извлечения особенности из изображений. Они сообщили о чувствительности 0,96 и F1-Score 0,92 с использованием 5-кратной перекрестной проверки. В другой аналогичной работе Tsiknakis et al.[9] предложили идентификацию COVID19 с использованием передачи обучения по данным рентгеновского снимка грудной клетки. Настройки параметров иногда играют важную роль в получении значимых результатов с помощью моделей глубокого обучения. Talha Anwar et al. [10] использовали циклическую скорость обучения, снижение на плато и постоянную скорость обучения для обучения EfficientNet-B4 [11], чтобы различать COVID19 и нормальные случаи на КТ-изображениях грудной клетки, и пришли к выводу, что стратегия выбора снижения скорости обучения на плато превосходит две другие давая 0.9 F1-Score по оценке модели. DenseNet201 [12] уже доказал свою способность распознавать объекты. Чтобы оценить его прогностическую силу при идентификации COVID19 с использованием компьютерных томографов, Jaiswal et al. [13] использовали предварительно обученную DenseNet201 на ImageNet для извлечения признаков и модифицировали плотные слои для получения окончательного результата. В другой работе 3D-КТ-изображения использовались для диагностики COVID19. Zheng et al. [14] использовали предварительно обученный UNet [15] для сегментации трехмерных изображений легких, а затем части сегментации применялись для прогнозирования инфицированных областей с использованием методов глубокого обучения.В этой текущей работе также используется набор данных, выпущенный [4] (собранный по состоянию на 5 апреля 2020 г.) для выполнения экспериментальной оценки различных популярных подходов к DL, таких как архитектуры VGG16, ResNet50, InceptionV3 и DenseNet. Результаты экспериментов показывают, что предлагаемый подход, основанный на слиянии решений, объединяющий решения всех этих моделей, может обеспечить впечатляющую эффективность в обнаружении болезни.

    Остальная часть статьи организована следующим образом: в Разделе 2 описываются набор данных и использованная методология, а в Разделе 3 следуют экспериментальные результаты и обсуждение.Наконец, документ завершается указанием основных выводов, содержащихся в документе, в дополнение к некоторым направлениям будущей работы по потенциальному повышению эффективности предлагаемого подхода.

    2. Материалы и методы
    2.1. Материалы

    Набор данных COVID-CT [4] содержит 360 положительных случаев COVID19 и 397 отрицательных изображений компьютерной томографии грудной клетки. Положительные изображения были получены из medRxiv и bioRxiv. Эти КТ-изображения имеют разные размеры, соответствующие высоте ((максимум = 1853, средний = 491 и минимум = 153) и ширине (максимум = 1485, средний = 383 и минимум = 124).Некоторые образцы положительных и отрицательных изображений КТ на COVID19 показаны на рисунках 1 (а) и 1 (б) соответственно.

    Чтобы подготовить окончательный набор данных для экспериментов, все изображения были преобразованы в формат Portable Network Graphics (.png), чтобы сохранить однородные характеристики. Кроме того, размер изображений положительного и отрицательного классов был изменен до 224 ✕ 224 ✕ 3.

    2.2. Методы

    Последние достижения в области DL, особенно в области медицинской визуализации, указывают на потенциальное использование различных архитектур Deep CNN.Во-первых, в данной работе проводится всесторонняя оценка таких индивидуальных базовых моделей. Эти базовые модели включают VGG16, InceptionV3, ResNet50, DenseNet121 и DenseNet201. В этой работе все части свертки этих базовых моделей остаются точно такими же, как и стандартные модели, как было предложено первоначально для задачи ImageNet; однако полностью связанные части моделей фиксируются как 3 полностью связанных уровня (4096, 4096 и 1000), каждый с активацией ReLU и, наконец, одноузловым уровнем прогнозирования с функцией активации сигмоида.Помимо этих базовых моделей, в этой работе также рассматривается подход, основанный на слиянии решений.

    Основная идея этого подхода слияния решений заключается в том, что ошибки отдельных моделей могут быть устранены путем комбинирования индивидуальных прогнозов с помощью подхода большинства голосов, что потенциально может повысить общую эффективность базовых моделей. Наглядное представление предлагаемой модели показано на рисунке 2, а подход слияния решений с примером проиллюстрирован на рисунке 3.В следующих подразделах кратко обсуждаются эти отдельные модели.



    2.2.1. Архитектура VGG16

    VGG Net, предложенная Симоняном и Зиссерманом [16] из Visual Geometry Group в Оксфордском университете, на сегодняшний день является одной из самых популярных архитектур Deep CNN, которая заняла 1-е и 2-е места в локализации объектов ILSVRC 2014 и задачи классификации. В этой архитектуре основная идея заключалась в том, что увеличение глубины архитектур CNN и замена больших ядер несколькими меньшими ядрами потенциально более точно выполняли задачи компьютерного зрения.Варианты VGG Net по-прежнему довольно широко используются для многих задач компьютерного зрения для извлечения глубоких деталей изображения для дальнейшей обработки, особенно в области медицинской визуализации.

    2.2.2. Архитектура InceptionV3

    В архитектурах InceptionV3 основная идея состоит в том, чтобы справиться с проблемой чрезвычайной изменчивости в расположении выступающих частей в рассматриваемых изображениях, позволяя сети содержать несколько различных типов ядер на одном уровне, что, по сути, «Расширяет» сеть.Идея нескольких ядер на одном уровне реализована так называемыми модулями Inception. С этой ключевой идеей был предложен первый InceptionV1 (GoogLeNet) [17]. Позже, в [18], были предложены архитектуры InceptionV2 и InceptionV3, которые улучшили архитектуру InceptionV1, решив ключевые проблемы, касающиеся узких мест представления и вспомогательных классификаторов, добавив факторизацию ядра и добавив пакетную нормализацию к вспомогательным классификаторам. Эта архитектура InceptionV3 заняла первое место в задаче классификации изображений ILSVRC 2015.

    2.2.3. Архитектура ResNet50

    Ключевая идея в архитектурах ResNet, представленная в работе Хе и др. [19], заключается в том, что наложение сверточных слоев и уровней пула один поверх другого может привести к снижению производительности сети из-за проблема исчезающего градиента, поэтому, чтобы справиться с этим, можно использовать соединения ярлыка идентификации, которые могут в основном пропускать один или несколько слоев. Эти наборы уровней, которые содержат идентификационные соединения, называются остаточным блоком. Идея добавления пропускаемых соединений по существу избавляет от высокой ошибки обучения, которая обычно наблюдается в более глубокой архитектуре.ResNet50 — один из вариантов архитектуры ResNet, содержащей 50 слоев.

    2.2.4. Архитектура DenseNet

    Архитектура DenseNet, предложенная Хуангом и др. [12], улучшает архитектуру ResNet за счет включения плотных соединений, которые по существу соединяют каждый уровень с каждым другим уровнем. Этот вид плотно связанных архитектур гарантирует, что каждый слой получает карты функций из каждого предыдущего слоя и передает свою собственную карту функций каждому последующему слою. Еще одним важным преимуществом такой архитектуры является возможность многократного использования функций при сохранении в целом небольшого количества параметров.Существует множество вариантов архитектуры DenseNet, которые широко используются, среди которых архитектуры DenseNet121 и DenseNet201 используются в этой работе.

    3. Экспериментальные результаты и обсуждение

    Для проведения экспериментальной оценки рассматриваемых моделей используются различные показатели производительности, такие как точность, значение AUC кривой ROC, F1-Score, чувствительность, специфичность, точность и отзыв эта работа. Эти оценочные показатели особенно полезны при оценке системы медицинского скрининга, поэтому они также выбираются для задачи прогнозирования COVID19.Определения для каждого из этих показателей производительности приведены ниже.

    Все эксперименты проводятся с использованием свободно доступной среды графического процессора Google Colaboratory. Каждая из моделей реализована с использованием библиотеки Python3 Keras с TensorFlow в качестве бэкэнда. Все модели оцениваются 10 раз с 10 различными случайными разбиениями, где в каждом разбиении 80% данных хранятся для целей обучения (данные обучения), а остальные — для тестирования (данные тестирования). Фактическое обучение модели выполняется с использованием 90% обучающих данных, при этом 10% обучающих данных хранятся в качестве набора для проверки, который используется для выполнения ранней остановки, чтобы избежать переобучения.За частями свертки и объединения каждой модели следуют 3 полностью связанных уровня (4096, 4096 и 1000), каждый с активацией ReLU и, наконец, уровень прогнозирования одного узла с функцией активации сигмоида. Оптимизация модели выполняется с помощью оптимизатора стохастического градиентного спуска со скоростью обучения 0,001 и импульсом 0,9.

    Общее поведение моделей можно наблюдать, рассматривая точность, AUC и F1-Score каждой из моделей. На рисунке 4 показано среднее поведение каждой из моделей вместе с соответствующими 95% доверительными интервалами.


    Из рисунка 4 видно, что модель объединения решений превосходит каждую из отдельных моделей, достигая наивысшей средней точности, AUC и F1-Score 0,8834, 0,8832 и 0,867 соответственно. Среди отдельных моделей лучше всего работает DenseNet121.

    В случае средней чувствительности и специфичности подход, основанный на слиянии решений, показывает гораздо лучшую производительность по сравнению со всеми другими отдельными моделями, достигая значений 0,8813 и 0.9051, соответственно, как показано на рисунке 5. Здесь следует сделать одно важное наблюдение: средняя специфичность значительно улучшается за счет подхода, основанного на слиянии решений, что предполагает лучшую частоту ложных срабатываний, чем любая отдельная модель.


    В случае средней точности и отзыва также могут наблюдаться аналогичные тенденции, как показано на рисунке 6. Подход, основанный на объединении решений, превосходит каждую из отдельных моделей. Из рисунка 6 видно, что средняя точность демонстрирует хорошее улучшение по сравнению с отдельными моделями, что следует из того факта, что модель слияния решений имеет гораздо лучшую частоту ложных срабатываний.Время обучения и время прогнозирования одной выборки для каждой отдельной модели, наряду с предлагаемой моделью объединения решений, приведены в таблице 1. Здесь важно отметить, что время обучения является единовременной стоимостью, и на практике, если такая используется подход, тогда значение будет иметь только время прогнозирования одной выборки.


    6655

    Модель Время обучения (с) Время прогноза для одного образца (с)
    25G16
    0,0112183094
    InceptionV3 3606,996002 +0,02604055405
    Resnet50 +3338,539274 +0,02051854134
    DenseNet121 +4490,50542 0,0279135704
    DenseNet201 +5721,441791 +0,05062174797
    Слияние решений 19807,89322 0,1363320236

    Из приведенных выше экспериментальных результатов ясно, что модели прогнозирования на основе Deep CNN могут иметь очень высокое значение COVID19 с учетом изображений.В частности, простая идея объединения решений может значительно улучшить производительность моделей Deep CNN, достигнув результатов выше 86% по всем рассматриваемым метрикам производительности. Еще одно важное наблюдение заключается в том, что предлагаемый подход имеет очень хорошее снижение частоты ложных срабатываний, что предполагает его потенциал для использования в реальных сценариях скрининга. Еще одно важное преимущество такого подхода к скринингу заключается в том, что помимо времени, необходимого для создания КТ-изображений (которое обычно составляет около 30 минут), после обучения моделей прогнозирование для каждого отдельного случая может быть выполнено за считанные секунды. тем самым резко сокращая время тестирования для пациентов.

    4. Заключение и дальнейшие работы

    В этой работе представлена ​​экспериментальная оценка существующих подходов к классификации изображений на основе Deep CNN с целью выявления положительных случаев COVID19 по изображениям компьютерной томографии грудной клетки. Более того, также предлагается подход, основанный на слиянии решений, который объединяет прогнозы каждой из отдельных моделей Deep CNN, чтобы улучшить прогнозную производительность. В результате обширных экспериментов было замечено, что предлагаемый подход может достигать очень впечатляющих результатов, с показателем более 86% с точки зрения каждой рассматриваемой метрики производительности при хорошем сокращении количества ложных срабатываний.Из экспериментальных наблюдений ясно, что подходы на основе Deep CNN потенциально могут оказать огромное влияние на контроль распространения COVID19, обеспечивая быстрый скрининг. Поскольку подходы, основанные на DL, широко используются в других задачах медицинской визуализации, настало время использовать такие подходы и в процессе скрининга текущей пандемии.

    В этой работе использовались только аксиальные срезы из КТ изображений; однако будет интересно посмотреть, как включение других фрагментов способствует получению дополнительной информации из изображений.Кроме того, при наличии КТ-изображений с помеченной информацией о других заболеваниях легких объединение с КТ-изображениями COVID19 может дать более надежные системы. На данный момент мы считаем, что это ограничения используемого набора данных, и эти ограничения будут устранены в будущей работе.

    Кроме того, хотя предложенный подход показывает большие перспективы, все еще есть немало возможностей для потенциального улучшения прогностических характеристик этого подхода. Недавно было показано, что такие идеи, как Transfer Learning, Image Augmentation и Feature Level Fusion, значительно повышают производительность моделей на основе DL.Эти идеи следует изучить в рамках будущей работы.

    Доступность данных

    В данной работе использовался общедоступный набор данных компьютерной томографии COVID19 (собран по состоянию на 5 апреля 2020 г.), который доступен по адресу https://github.com/UCSD-AI4H/COVID-CT.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов.

    Вклад авторов

    Арнаб Кумар Мишра и Суджит Кумар Дас внесли равный вклад в эту работу.

    Границы | Обработка изображений на основе искусственного интеллекта для обнаружения COVID-19 в изображениях КТ грудной клетки

    1 Введение

    Искусственный интеллект внес большой вклад в область медицинской диагностики и разработки новых лекарств. Эксперты считают, что искусственный интеллект окажет огромное влияние, предоставив рентгенологам инструменты для более быстрой и точной диагностики и прогнозов, что приведет к более эффективному лечению. Большие данные и искусственный интеллект изменят способ работы радиологов, потому что компьютеры смогут обрабатывать огромные объемы данных о пациентах, что позволит им стать экспертами в очень конкретных задачах (Shen et al., 2017а). В прошлом искусственный интеллект успешно преодолевал различные проблемы, такие как хронические заболевания и рак кожи (Esteva et al., 2017). В настоящее время ученые ожидают, что искусственный интеллект будет играть важную роль в поисках лечения появляющегося вируса короны и, следовательно, в смягчении связанной с этим паники, которая затрагивает людей во всем мире.

    В последнее время система здравоохранения сталкивается с серьезными проблемами в плане поддержки постоянно растущего числа пациентов и связанных с этим расходов из-за пандемии COVID-19.Таким образом, недавнее воздействие COVID-19 требует сдвига в мировоззрении сектора здравоохранения. Таким образом, становится важным использование современных технологий, таких как искусственный интеллект, для проектирования и разработки интеллектуальных и автономных решений в области здравоохранения. По сравнению с другими вирусами COVID-19 отличается быстрой способностью к распространению, что сделало его всемирной пандемией в рекордно короткие сроки. Медицинские системы и системы здравоохранения все еще изучают и исследуют его, чтобы получить надежную информацию и более глубокое понимание этой серьезной проблемы быстрого распространения.Соответственно, задача успешного моделирования распространения COVID-19 остается приоритетной задачей в борьбе с этим вирусом. В настоящее время широко используемым методом диагностики является обнаружение вирусной РНК из мокроты или мазка из носоглотки в режиме реального времени с помощью обратной транскрипции-полимеразной цепной реакции (ОТ-ПЦР). Однако эти тесты требуют вмешательства человека, имеют низкий процент положительных результатов на ранних стадиях инфицирования и требуют до 6 часов для получения результатов. Таким образом, чтобы ускорить борьбу с этой пандемией, необходимы инструменты быстрой и ранней диагностики, особенно в долгосрочной перспективе, когда меры изоляции полностью отменены, тесты должны проводиться в широком масштабе, чтобы предотвратить повторение таких случаев. пандемия.

    Из-за ограниченных ресурсов и технологий в некоторых странах тестирование было ограничено пациентами с симптомами, а во многих случаях — множественными симптомами. Излишне напоминать, что большая нагрузка, которую эта ситуация создала для национальных систем здравоохранения и работников, даже в наиболее развитых странах, усугубляет трудности выявления и отслеживания возможных случаев заболевания.

    Алгоритмы искусственного интеллекта, которые представляют собой подходы, используемые для внедрения систем искусственного интеллекта, помогают во многих вопросах, касающихся пандемии, начиная с исследований вакцин и лекарств, отслеживания мобильности людей и того, как и придерживаются ли они руководящих принципов социального дистанцирования, до оценки компьютерная томография легких и рентген для более быстрой диагностики и отслеживания прогрессирования таких пациентов.

    В настоящее время прилагаются прогрессивные усилия, основанные на алгоритмах искусственного интеллекта, для диагностики COVID-19. Расширенные типы нейронных сетей используются в ходе широкомасштабного скрининга вируса для классификации пациентов на основе их респираторного паттерна (Wang et al., 2020). Точно так же обнаружение COVID-19 было нацелено на анализ компьютерной томографии грудной клетки в исследовании Gozes et al. (2020). Разработка автоматизированных диагностических систем повышает точность и скорость диагностики и защищает работников сектора здравоохранения, уведомляя их о тяжести состояния каждого инфицированного пациента (Alimadadi et al., 2020).

    В этом контексте мы предлагаем медицинскую платформу искусственного интеллекта, которая направлена ​​на сбор мультимодальных данных из разных источников, интегрируя как сетевые, так и медицинские сенсорные системы, с целью эффективного участия во всемирной борьбе с этой пандемией. Цель состоит в том, чтобы решить несколько проблем, с которыми сталкиваются страны с низким и средним уровнем дохода из-за ограниченного доступа людей к качественной помощи и ограниченных медицинских ресурсов, доступных или предлагаемых правительствами при столкновении с крупномасштабными пандемиями, такими как COVID-19.

    В литературе доступны различные методы сегментации. Однако в рамках данной статьи мы сосредоточились на методах, основанных на ИИ, и провели тщательный обзор литературы по этой теме. Стоит отметить, что эта статья является частью продолжающегося исследования. Чтобы найти оптимальное решение, мы намерены пойти дальше и исследовать другие типы методов сегментации и сравнить результаты по точности и эффективности.

    Краткое содержание этой статьи выглядит следующим образом: Раздел 2 представляет обзор литературы, охватывающий приложения ИИ в области медицинской визуализации, с кратким описанием каждого используемого метода глубокого обучения.Обзор литературы также охватывает многие методы, связанные с обнаружением COVID-19, а также его степенью тяжести. Раздел 3 описывает методологию, которая была принята при разработке платформы. Раздел 4 включает результаты, достигнутые платформой AI medical hub. Наконец, в разделе 5 статья завершается рассказом о других способах использования платформы.

    2 Связанные работы

    В этом разделе мы охватываем широкий круг литературы, связанной с использованием алгоритмов искусственного интеллекта в различных приложениях медицинской визуализации.В этом разделе также рассматриваются различные методы компьютерного зрения и обработки изображений, связанные с медицинским диагнозом COVID-19.

    2.1 AI в медицинской визуализации

    Классификацию изображений можно описать как задачу сортировки изображений по одному из множества классов. Это основная проблема компьютерного зрения. Он обеспечивает основу для других функций компьютерного зрения, таких как обнаружение, сегментация и локализация. Этот тип проблем был решен в последние годы с использованием моделей глубокого обучения, которые используют несколько уровней нелинейной обработки полученных знаний для извлечения и преобразования функций, а также для классификации и анализа шаблонов (Rawat and Wang, 2017).

    Компьютерная обработка изображений играет важную роль в решении проблем, связанных с медицинской визуализацией. Недавние разработки в области ИИ, особенно в области глубокого обучения, привели к крупному прорыву в области интерпретации изображений, которая помогает распознавать, классифицировать и количественно определять закономерности в медицинских изображениях (Shen et al., 2017b). В частности, краеугольным камнем нововведений является использование иерархических представлений функций, полученных исключительно из данных, вместо созданных вручную функций, которые часто ориентированы на информацию, специфичную для предметной области.Таким образом, глубокое обучение легко становится новым строительным блоком для повышения эффективности во многих медицинских приложениях (Shen et al., 2017b).

    Ключевой движущей силой появления искусственного интеллекта в медицинской визуализации была потребность в повышении качества и эффективности клинического лечения. Данные радиологической визуализации, как правило, увеличиваются значительными темпами по сравнению с количеством доступных квалифицированных читателей. Этот факт заставил медицинских работников компенсировать это за счет эффективности анализа изображений (Wu et al., 2016).

    В литературе сообщается о заметных изменениях в других методах искусственного интеллекта, связанных с использованием глубокого обучения. Эти достижения были достаточно убедительными, чтобы привлечь исследователей в область компьютерной медицинской визуализации для изучения, например, возможности глубокого обучения на медицинских изображениях, полученных с помощью компьютерной томографии (КТ), магнитно-резонансной томографии (МРТ), позитронно-эмиссионной томографии, ПЭТ и Рентгеновский снимок. Ниже приведены функциональные реализации глубокого обучения для локализации изображений, распознавания клеточной структуры, сегментации тканей и компьютерной диагностики заболеваний (Shen et al., 2017б).

    Искусственные нейронные сети принадлежат к семейству моделей искусственного интеллекта, которые имитируют структурную красоту нейронной системы человека для понимания и изучения скрытых паттернов посредством массовых наблюдений. Первая обучаемая нейронная сеть состояла из одного слоя: перцептрона (Rosenblatt, 1958). Модифицированный персептрон с несколькими модулями вывода рассматривается как линейная модель, которая не позволяет приложениям работать со сложными шаблонами данных даже при использовании нелинейных функций на уровне вывода.Это ограничение эффективно обходится путем добавления скрытого слоя между входным и выходным слоями. Принимая во внимание определенные предположения о функции активации, двухслойная нейронная сеть, состоящая из конечного числа скрытых слоев, может оценивать любую непрерывную функцию (Chen et al., 1995) и поэтому называется универсальным аппроксиматором. Однако часто можно оценить функции с одинаковой точностью, используя глубокий дизайн, то есть более двух уровней, с меньшим количеством единиц в целом (Bengio, 2009).Таким образом, количество обучаемых параметров может быть уменьшено, облегчая процесс обучения со сравнительно ограниченным набором данных (Schwarz, 1978).

    2.2 AI для обнаружения COVID-19

    В условиях глобального кризиса здравоохранения медицинский сектор ищет инновационные решения для отслеживания и сдерживания пандемии COVID-19 (коронавируса). Искусственный интеллект — это технология, на которую могут положиться ученые, поскольку он может быстро классифицировать пациентов с высоким риском, отслеживать прогрессирование этого вируса и эффективно управлять этой вспышкой в ​​режиме реального времени.Эта технология также имеет возможность оценивать тяжесть случаев путем изучения предыдущих историй болезни, но тем не менее, уровни точности, истинно отрицательные и ложноположительные результаты могут быть дополнительно улучшены, чтобы избежать неправильной интерпретации при лечении (Haleem et al., 2020; Bai et al., 2020; Hu et al., 2020). Основное применение ИИ в пандемии COVID-19, на которое нацелена эта работа, — это раннее обнаружение и диагностика инфекции. Искусственный интеллект может легко анализировать отклонения, наблюдаемые по симптомам и так называемым красным флажкам, предупреждать пациентов и органы здравоохранения посредством этого процесса (Ai et al., 2020; Луо и др., 2020). Он создает экономичный алгоритм быстрого принятия решений. С помощью многочисленных алгоритмов искусственного интеллекта современные случаи COVID-19 можно выявлять и лечить в секретной структуре. Компьютерная томография (КТ) и магнитно-резонансная томография (МРТ) представляют собой ценный вклад в алгоритмы искусственного интеллекта, сканирующие участки человеческого тела с целью диагностики.

    Основным этапом обработки и интерпретации изображений для обнаружения и оценки COVID-19 является сегментация. Он определяет ключевой фактор для алгоритма искусственного интеллекта, которым являются области интереса (ROI), захваченные на рентгеновских снимках грудной клетки или изображениях компьютерной томографии.Самостоятельно изученные функции или даже созданные вручную могут быть получены с использованием этих сегментированных областей (Shi et al., 2020a).

    Компьютерная томография является одним из основных источников высококачественных 3D-изображений в области обнаружения COVID-19. Методы глубокого обучения проявляются в области сегментации рентабельности инвестиций, где наиболее популярными из них, используемыми для коронавируса, являются U-Net (Cao et al., 2020; Gozes et al., 2020; Huang et al., 2020; Li et al., 2020). ; Qi et al., 2020; Zheng et al., 2020), U-Net ++ (Chen et al., 2020; Jin et al., 2020) и VB-Net (Shan + et al., 2021). Несмотря на преобладание рентгеновского излучения над компьютерной томографией в медицинском секторе из-за его доступности, процесс сегментации рентгеновских изображений более сложен. Это результат контраста изображения в 2D-проекции ребер на мягкие ткани.

    В контексте COVID-19 сегментация является важным блоком в интерпретации этого вируса. Gaál et al. (2020) предложили Attention-U-Net для сегментации легких, которая может извлекать признаки, связанные с пневмонией.Такой метод может быть связан с диагностикой коронавируса (Shi et al., 2020a).

    Механизмы сегментации делятся на две группы: сегментация легкого по регионам или по повреждениям. Первый отделяет легкое и его доли от других областей на рентгеновских снимках или компьютерной томографии, и это первый шаг в каждом приложении, нацеленном на COVID-19 (Cao et al., 2020; Gozes et al., 2020; Huang et al. ., 2020; Jin et al., 2020; Qi et al., 2020; Shan + et al., 2021; Tang et al., 2020a; Чжэн и др., 2020). Второй отделяет повреждения внутри легкого от областей легкого (Cao et al., 2020; Chen et al., 2020; Gozes et al., 2020; Huang et al., 2020; Jin et al., 2020; Li et al., 2020; Qi et al., 2020; Shan + et al., 2021; Shen et al., 2020; Tang et al., 2020a). Эти поражения различаются по форме и текстуре, поэтому их идентификация считается сложной задачей. Однако Gaál et al. (2020) представили механизм внимания, который рассматривался как эффективный алгоритм локализации при скрининге поражений.Этот механизм можно использовать для отслеживания повреждений, вызванных COVID-19. Вернемся к первой группе, Jin et al. (2020) создали конвейерный метод, состоящий из двух этапов, для захвата COVID-19 на КТ-изображениях, и первым этапом является обнаружение области легких. Этот метод был основан на U-Net ++.

    В литературе сегментация легких решалась с помощью нескольких методов, направленных на достижение различных целей (Cicek et al., 2016; Milletari et al., 2016; Isensee et al., 2018; Zhou et al., 2018). Одним из популярных методов, используемых в приложениях COVID-19, является U-Net (Cao et al., 2020; Хуанг и др., 2020; Ци и др., 2020; Чжэн и др., 2020). Этот метод доказал свою работоспособность в обеих упомянутых выше группах. Роннебергер (Ronneberger et al., 2015), отец U-Net, определил, что этот алгоритм представляет собой полностью CNN, имеющую U-образную структуру с особенностями симметрии как в путях кодирования, так и декодирования. На каждом уровне вводится ярлык соединения, если слои соединены этими путями. В результате может быть эффективно изучена визуальная семантика, а также текстуры, которые являются основной проблемой в медицинской сегментации.Усовершенствованная версия U-Net была разработана в области COVID-19. U-Net (3D) более высокого измерения была представлена ​​Cicek et al. (2016), где слои в этой технике были заменены трехмерной моделью. U-Net ++ — более адаптивная модель (Zhou et al., 2018), в которой вложенная сверточная архитектура вставляется между путями кодирования и декодирования. Этот алгоритм также способствует решению проблемы пандемии за счет локализации повреждений при диагностике COVID-19 (Chen et al., 2020). Составной метод, использующий механизм внимания и U-Net, смог выделить точные особенности медицинских изображений, что можно рассматривать как подходящий метод сегментации для борьбы с COVID-19.Другой метод, который обслуживает сегментацию, — это V-Net (Milletari et al., 2016), который рассматривает остаточный модуль как базовый сверточный модуль, а потерю кубиков — как его оптимизатор. Добавляя узкое место к сверточному модулю, VB-net приводит к эффективной сегментации (Shan + et al., 2021). Все эти типы сетей демонстрируют хорошую производительность сегментации. Однако основная проблема заключается в том, как будет проходить процедура обучения. Соответствующие помеченные данные являются основным ограничением для обучения процессу сегментации.Доступность достаточных данных была сложной задачей при сегментации изображений COVID-19, поскольку ручное изображение поражений является исчерпывающим с точки зрения трудозатрат и времени. Исследователи и радиологи сотрудничают, чтобы решить эту проблему. Первоначальное семя, которое было загружено в алгоритм U-Net, показало, что оно сходится к приемлемому порогу (Qi et al., 2020). Zheng et al. (2020) реструктурировали проблему как неконтролируемый метод, чтобы создать маску псевдосегментации для КТ-изображений. Литература по COVID-19 показывает, что неконтролируемые и слабо контролируемые механизмы обучения являются желательными методами из-за нехватки маркированных медицинских изображений.

    Сегментация приложений COVID-19 была обширной темой в литературе. Ли и др. (2020) выполнили сегментацию легких, чтобы отличить коронавирус от пневмонии, используя U-Net на КТ грудной клетки. Раннее обнаружение COVID — самый важный фактор в защите сообщества, поэтому в процессе диагностики следует использовать быстрые методы искусственного интеллекта. Jin et al. (2020) предложили такой метод, используя CT-срезы в качестве входных данных для модели, где эти срезы были результатом сети сегментации. В заключение следует отметить, что процесс сегментации является основой приложений COVID-19, поскольку он значительно облегчает жизнь радиологам; это обеспечивает им точное распознавание интересующих областей и надежную диагностику вируса.

    Еще один эффективный метод игнорирования ненужных частей изображения — это предварительная обработка изображения. Это может играть роль сегментации в приложениях COVID-19. Предварительную обработку изображений можно разделить на две категории: восстановление и реконструкция изображения. Основной подход к восстановлению изображений — устранение шума путем фильтрации. Многослойные фильтры на основе нейронных сетей были разработаны для распознавания краев изображения и улучшения механизма обнаружения шума (Suzuki et al., 2001; Suzuki et al., 2002a; Suzuki et al., 2002b; Suzuki et al., 2004). Реконструкция медицинских изображений может быть сложной задачей, когда зашумленные данные включают нелинейность. Следовательно, эта проблема считалась плохо обусловленной, и, следовательно, с ней можно было справиться только с помощью расслабляющих условий и упрощенных предположений. Прямая связь (Nejatali, Ciric, 1998; El et al., 2000) и нейронные сети Кохонена (Adler and Guardo, 1995; Comtat and Morel, 1995) являются распространенными методами в области реконструкции, поскольку они производят линейную аппроксимацию зашумленного изображения. данные.

    Прежде чем обсуждать отнесение COVID-19 к другим заболеваниям и серьезность вируса, поражающего определенных пациентов, необходимо сделать краткое описание стадий радиологических паттернов на КТ-изображениях. Pan et al. (2020) сообщили, что эти закономерности анализируются на четырех этапах. Первая стадия — это ранняя стадия (с 0 по 4 день), когда возникают начальные симптомы, и области поражения, извлеченные из КТ грудной клетки, можно наблюдать в нижних долях легкого. На втором этапе (с 5 по 8 день) поражения расширяются и становятся более толстыми, достигая нескольких долей.На третьей стадии (с 9 по 14 день) поражения широко распространены с плотной интенсивностью; это опасный этап. Стадия абсорбции определяет последнюю стадию, на которой содержится вирус. Важность этих паттернов заключается, главным образом, в классификации и анализе серьезности инфекционного состояния.

    Отличить пациентов с COVID-19 от других пациентов — сложная задача, на которую нацелены недавние исследования. Chen et al. (2020) развернули модель сегментации, полученную через U-Net ++, получившую , чтобы пометить пациентов как COVID-19 и не COVID-19.Сегментированных поражений в этой статье было достаточно, чтобы предсказать этикетку и отличить пациентов с COVID-19 от пациентов с другими заболеваниями. В исследовании использовались КТ-изображения 106 пациентов, и они были классифицированы. Этот вклад экономит время радиологов на чтение. В другой статье (Zheng et al., 2020) использовалась комбинация модели U-Net для процесса сегментации и трехмерной сверточной нейронной сети, которая принимает выходные данные предыдущей модели и генерирует вероятность меток. Набор данных, состоящий из 540 КТ-изображений грудной клетки, был протестирован со следующими показателями: чувствительность 0.907, специфичность 0,911 и точность 0,959. Еще один метод (Jin et al., 2020) объединил U-Net ++ для локализации поражения и ResNet50 в качестве механизма классификации. Метод показал лучшие результаты по специфичности и чувствительности (0,922 и 0,974 соответственно) на основе 1136 КТ-изображений грудной клетки.

    Еще одним фактором, который играет основную роль в лечении, является оценка степени тяжести. Vb-Net использовался для определения этого фактора в исследовании Shi et al. (2020b). Сегментация проводилась на основе объемов заражения в интересующих регионах с целью обучения архитектуре РФ.Другая архитектура на основе RF была представлена ​​Тангом и др. (2020b), чтобы классифицировать уровень COVID-19 как тяжелый или нетяжелый, где было протестировано 176 КТ-изображений грудной клетки. Архитектура показала точность 0,875. В заключение исследователи разработали перспективные методики с использованием искусственного интеллекта для диагностики COVID-19. Результаты этих исследований считаются надежными для классификации пациентов. Кроме того, оценка степени тяжести является ключевым фактором в процедуре лечения, потому что она определяет, например, необходимость в отделении интенсивной терапии.

    3 Система обнаружения COVID-19

    В этом разделе описывается методология, которая была принята при разработке платформы. Он включает подробное объяснение архитектуры, определяет каждый блок и его аспекты, а также демонстрирует последующие оценочные измерения и показатели калибровки.

    3.1 Обзор архитектуры и проблемы

    Одной из основных проблем любой системы здравоохранения является ограниченность ресурсов (Abdellatif et al., 2019; Abdellatif et al., 2020). Доступность и качество данных определяют надежность исследования и качество архитектуры. Использование КТ-изображений требует большого набора данных, чтобы гарантировать вышеупомянутые влияния на доступность данных. Поэтому в этом исследовании был развернут большой набор данных, состоящий из 6752 компьютерных томографов (см. Раздел 4.1).

    Мы предлагаем платформу медицинского хаба на основе искусственного интеллекта, которая объединяет искусственный интеллект и обработку изображений для раннего обнаружения различных проблемных заболеваний. Эта платформа ориентирована на медицинские проблемы, связанные с медицинской визуализацией.Он обеспечивает обнаружение отклонений и их соответствующую классификацию. В рамках этой работы мы нацелены на COVID-19 как на приоритетное заболевание. Изображения грудной клетки в наборе данных проходят через несколько блоков в этой архитектуре, как показано на Рисунке 1.

    РИСУНОК 1 . Блок-схема предлагаемой архитектуры.

    Во-первых, данные дополняются, чтобы обогатить последние блоки большим количеством изображений и выделить специальные функции, которые необходимо распознать. Это делается путем поворота, обрезки, масштабирования и размытия изображений.Затем расширенные данные предварительно обрабатываются в два этапа: стандартизация и нормализация. Эти этапы важны для унификации данных, передаваемых в сеть. Чтобы идентифицировать аномалии в изображениях, предварительно обработанные изображения вводятся в блок сегментации поражения, который использует InfNet для обработки аномальных аспектов и функций. В дополнение к раннему обнаружению с помощью этого блока мы позволяем ему определять серьезность состояния посредством дальнейшего анализа изображений. Наконец, аномальные изображения загружаются в глубокую сеть с использованием метода трансферного обучения, чтобы различать COVID-19 и другие состояния вирусной пневмонии.Подробная информация по каждому блоку будет представлена ​​в следующих разделах.

    3.2 Увеличение изображения

    Увеличение данных — это метод, используемый для получения дополнительных данных из текущего набора данных. В этом случае он создает искаженные копии существующих изображений. Основная цель — усилить нейронную сеть с различным разнообразием, что приводит к сети, которая отличает релевантные характеристики от нерелевантных в наборе данных. Увеличение изображения можно осуществить несколькими способами.При необходимости методы увеличения используются эффективно в зависимости от наличия и качества данных. Наше предложение объединяет несколько методов для поддержки большого количества наборов данных для различных условий, а именно:

    • Вращение: изображение поворачивается в интервале от -10 ° до 10 °.

    • Масштаб: масштабирование изображения путем увеличения или уменьшения также увеличило бы набор.

    • Сдвиг: срезание изображения может выполняться с использованием вращения с коэффициентом имитации третьего измерения.

    • Размытие по Гауссу: с помощью фильтра Гаусса можно устранить высокочастотные факторы, что приведет к размытию версии изображения.

    Используя эти методы, набор данных был расширен и использован на этапе обучения. Тем не менее, на этапе тестирования набор тестирования не будет пополняться. Это подтвердит надежность архитектуры и предотвратит переоснащение.

    3.3 Предварительная обработка изображений

    Поскольку данные обычно поступают из разных источников, очень важна стратегия, определяющая сложность и точность.Предварительная обработка изображений обеспечивает снижение сложности и лучшую точность определенных данных. Этот метод стандартизирует данные в несколько этапов, чтобы обеспечить сеть чистым набором данных. В этой архитектуре предварительная обработка данных выполняется в следующие этапы:

    • Стандартизация изображений: нейронные сети, работающие с изображениями, нуждаются в изображениях с унифицированным соотношением сторон. Поэтому первым шагом является изменение размеров изображений до уникальных размеров и квадратной формы, которая является типичной формой, используемой в нейронных сетях.

    • Нормализация: входные пиксели в любой алгоритм AI должны иметь нормализованное распределение данных для повышения сходимости фазы обучения. Нормализация — это действие вычитания среднего значения распределения из каждого пикселя и деления на стандартное отклонение. Для достижения положительных значений в конце этого шага рассматривается масштабирование нормализованных данных.

    3.4 Сегментация поражений

    Помутнения матового стекла (GGO) и уплотнение являются основными выделенными признаками в случае пациентов с COVID-19, где 97.86% пациентов заболевают такими инфекциями в течение 21 дня после появления COVID-19 (Liang et al., 2020). Поэтому мы использовали сегментацию поражений, чтобы определить наличие этих инфекций и инфицированный объем. Эти инфекции также вызваны другой вирусной пневмонией, поэтому этот блок классифицирует входное изображение как нормальное или ненормальное. Нормальные выдаются как выходные данные, а ненормальные попадут в блок ResNet для идентификации пациентов с COVID-19. В методе сегментации используется архитектура InfNet.

    Предварительно обработанные данные, состоящие из изображений КТ, будут подвергаться знаменитому коэффициенту разделения, упомянутому в принципе Парето. 80% изображений будет учтено в процессе обучения, а 20% набора данных будет использовано при тестировании сети.

    Предварительно обработанные КТ-изображения подаются на два сверточных слоя, где извлекаются особенности с низким разрешением. Затем эти функции вставляются в три сверточных слоя для извлечения высокоуровневых. В контексте сегментации было показано, что информация о краях может быть полезной, и, таким образом, для улучшения демонстрации интересующих областей помещается блок внимания на края.

    Глобальная карта создается путем накопления высокоуровневых характеристик с использованием параллельного частичного декодера для сегментации поражений легких. Выходные и высокоуровневые функции объединяются с низкоуровневыми функциями для вставки в каскадные единицы обратного внимания на основе глобальной карты. Наконец, выходные данные вставляются в функцию активации (сигмоид) для оценки областей заражения (Fan et al., 2020).

    Этот блок сегментирует инфицированные участки на изображении компьютерной томографии для создания цветного представления GGO и сегмента консолидации.Отсутствие таких участков приведет к пустому черному изображению. Пустые изображения классифицируются как нормальные. Остальные аномальные изображения передаются в модель глубокой сети ResNet50. Эти представления также оцениваются количественно, чтобы использовать их позже при вычислении оценки короны.

    3.5 Глубокая сеть ResNet50

    Перенос обучения — это хорошо известный метод, который можно использовать для обучения сверточных нейронных сетей, поскольку он занимает огромное место в литературе. Используя этот метод, сеть предварительно обучается на основе обширной базы данных, известной как ImageNet.Этот шаг приводит к инициализации весов слоев, где загрузка таких весов перед развертыванием сети в текущей архитектуре уменьшает проблему исчезающего градиента. Это ключевое преимущество трансферного обучения, которое способствует сближению цели. Еще одно преимущество использования этого типа обучения — извлечение соответствующих характеристик изображений, таких как форма и края. В результате время вычислений сокращается за счет ограничения вычислений до последних слоев в процедуре обучения.

    Остаточная сеть ResNet — один из передовых алгоритмов глубокого обучения, который превосходит многие другие плотные сети по различным показателям, особенно по точности и вычислительной сложности (He et al., 2016; Vatathanavaro et al., 2018). Вот почему мы использовали этот алгоритм для обнаружения коронавируса и отличия его от других вирусных пневмоний с помощью трансферного обучения.

    Чтобы идентифицировать набор данных по многочисленным классам, предварительно обученная модель характеризует последние слои как слои классификации, и, таким образом, извлеченные объекты будут сохранены в последнем сверточном слое для преобразования в значения прогноза для каждого класса.Инициализированные веса (фундаментальный фактор методов трансферного обучения) не меняются, за исключением последнего слоя, который будет обучен производить оценки, которые возглавляют процесс классификации для нашего нового набора изображений. В эту модель вставляются другие слои, такие как слой объединения, слой исключения, слой выравнивания и функции активации (выпрямленный линейный блок).

    Остаточная сеть, используемая в этой архитектуре, состоит из 50 уровней, ResNet50 (Vatathanavaro et al., 2018), которая представляет собой глубокую сеть, которая рассматривает скорость обучения как оценку на этапе адаптации весов слоев.На каждой итерации веса обновляются на основе потерь, полученных из входных и ожидаемых значений. Формула обновленных весов выглядит следующим образом:

    wi + 1 = wi − α∂L (w) ∂wi, (1)

    , где w представляет вес, i — итерация в процессе, L — это функция потерь, а α — скорость обучения.

    3.6 Метрики оценки

    Производительность предлагаемой архитектуры оценивается на основе нескольких статистических показателей в дополнение к нашей новой метрике, определяемой как оценка коронного разряда.

    3.6.1 Точность

    Точность — это показатель, который количественно оценивает компетентность метода в определении правильных прогнозируемых случаев:

    Точность = TP + TNTP + TN + FP + FN, (2)

    • TP: истинное положительное значение равно количеству правильных предсказанных положительных случаев.

    • FP: ложное срабатывание равно количеству неверно предсказанных положительных случаев.

    • TN: истинно отрицательное число равно количеству правильно предсказанных отрицательных случаев.

    • FN: ложноотрицательный результат равен количеству неверно предсказанных отрицательных случаев

    3.6.2 Отзыв

    Отзыв — это чувствительность метода:

    3.6.3 Точность

    Точность — это отношение ненужного положительного случая к общему количеству положительных результатов:

    3.6.4 Специфичность

    Специфичность — это соотношение правильных прогнозируемые отрицательные результаты по сравнению с отрицательными наблюдениями:

    3.6.5 F1-Score

    F1-Score — мера качества обнаружения:

    F1-Score = 2 ∗ Precision ∗ RecallPrecision + Recall. (6)

    3.7 Corona Score

    Оценка короны — это новая мера, введенная для оценки серьезности вируса в легких.Это зависит от объема легких и объема инфицированной части, оцениваемого блоком сегментации. Этот показатель рассчитывается следующим образом:

    • На КТ-изображении легких сначала исследуется объем легкого

    • Альвеолярная область, известная как паренхима, составляет 90% от общего объема легкого (Knudsen and Ochs, 2018).

    • Радиологи классифицируют степень тяжести коронавируса в зависимости от степени GGO и консолидации, присутствующей на КТ-изображениях легких: минимальная (на 10% меньше, чем паренхимы легкого), умеренная (10–25%), средняя (25–50%), тяжелые (50–75%) и критические (более 75% паренхимы легких) (Guillo et al., 2020).

    CoronaScore = InfectedVolume0.9 ∗ (LungVolume). (7)

    3.8 Метрики калибровки

    Эта архитектура объединяет различные методы калибровки в соответствии с результатами тестирования и поставленной задачей. В этом разделе мы выделяем различные методы, используемые на нашей платформе.

    3.8.1 Скорость обучения

    Эта скорость является критическим значением при обновлении формулы весов. Иногда его оптимальное значение недостижимо. Низкие и высокие значения скорости обучения приводят к ряду проблем.Низкие значения снижают скорость тренировочного процесса, вызывая задержку всей процедуры. Напротив, высокие значения увеличивают скорость сходимости и уменьшают установленные веса, и, следовательно, не достигается неоптимальный вес. В этой модели мы использовали оптимальный выбор этой скорости, предложенный Смитом (2017). Авторы циклически меняли скорость обучения в практическом интервале для достижения большей точности классификации. Другой способ определения этой скорости — ее инициализация и обновление с помощью оптимизатора SGD.

    LearningRate = InitialLearningRate1 + decay ∗ итераций, (8)

    где итерации представляют шаги в пределах эпохи, а затухание — это параметр затухания, предложенный оптимизатором.

    3.8.2 Функция потерь

    Функция потерь — это способ расчета производительности алгоритма после его обучения с использованием используемого набора данных. Он оценивает, насколько далеки прогнозы от реальности. Этот коэффициент используется позже при оптимизации алгоритма за счет минимизации понесенных потерь. Фактически, функция потерь является индикатором того, полезна ли настройка алгоритма определенным образом.Существуют разные категории функций потерь: регрессия, двоичная классификация и мультиклассовая классификация. В текущем исследовании с большей вероятностью будут использоваться функции потерь двоичной классификации, поскольку выходные данные обоих блоков, сегментация и ResNet50, производят двоичную классификацию (нормальная, ненормальная; COVID, не-COVID), соответственно. В этой категории существует несколько функций потерь: бинарная кросс-энтропия, потери в шарнирах и квадраты потерь в шарнирах.

    В этой архитектуре мы использовали двоичную кросс-энтропию как функцию потерь для блока сегментации и блока ResNet50.- скалярное значение вывода, а yi — целевое значение.

    3.8.3 Регуляризация

    Одной из основных проблем алгоритмов ИИ, которых следует избегать, является чрезмерная подгонка, которую можно интерпретировать, явно подвергая архитектуру алгоритма обучающему набору. Выход сети ограничен только конкретным выходом, полученным ранее обучающим набором, независимо от входа. Регуляризация — это механизм, который корректирует отображение и смягчает чрезмерную подгонку.Известно, что увеличение данных используется для увеличения набора обучающих данных, что снижает чрезмерную подгонку, но большие затраты памяти могут быть большой проблемой в этом методе. Методы регуляризации можно использовать независимо от размера обучающего набора данных. Отключение и отключение — самые известные методы регуляризации. Полностью связанные сети обычно подвергаются механизмам отсева, основанным на распределении вероятностей соединений на каждом уровне. В этом процессе соединения будут сброшены, и в результате будут отброшены узлы.Dropout имеет множество версий, которые используются в соответствии с данной проблемой, например, быстрое выпадение, адаптивное выпадение, эволюционное выпадение, пространственное выпадение, вложенное выпадение и исключение максимального объединения.

    4 Моделирование и результаты

    Предлагаемая архитектура была реализована в Python v3.6 с использованием PyCharm в среде Windows 10 с помощью различных библиотек AI и обработки изображений, которые повышают эффективность обучения для достижения лучшей производительности. В нашей тестовой среде использовались библиотеки fastai, numpy, scipy и openCV, а ускорение выполнялось с помощью супер-графического процессора NVIDIA GeForce RTX 2070 с 8 ГБ выделенной памяти.Моделирование основано на кодировании Linux и Python, совместимом с большинством оборудования, и мы тестируем наши модели с использованием реальных наборов данных, используемых в литературе.

    В этом разделе мы обсудим процедуру тестирования обоих блоков, сегментации поражения и глубокой сети ResNet50 по отдельности. Каждый блок будет иметь свои собственные метрики оценки, основанные на прогнозируемых выходных данных. Затем вся система будет подвергнута полному тестированию для оценки ее производительности. Результаты тестирования платформы показаны в следующих таблицах и рисунках.

    4.1 Набор данных

    Набор данных компьютерной томографии грудной клетки, использованный в нашем исследовании, был предоставлен Китайским национальным центром биоинформации. Эти изображения разделены на три категории: коронавирусная пневмония, обычная пневмония и нормальная. Китайский национальный центр опубликовал эти наборы данных, чтобы помочь исследователям в борьбе с пандемией. Набор данных состоит из 617775 КТ-срезов 6752 КТ от 4154 пациентов, распределенных по 999 пациентам с COVID-19, и 1687 нормальным и 1468 обычным пациентам с пневмонией (Zhang et al., 2020). На рисунке 2 показаны различные классы, проведенные в этом исследовании: а) нормальная, б) пневмония, вызванная COVID-19, и в) обычная пневмония. В нашем исследовании мы случайным образом выбрали 450 изображений из каждого класса. В результате расширения выбранного набора данных было получено 150 дополнительных изображений, по 50 из каждого класса, всего 1500 изображений.

    РИСУНОК 2 . КТ-изображения грудной клетки: (A) нормальная, (B) пневмония COVID-19 и (C) обычная пневмония.

    4.2 Блок сегментации поражения

    Предложенная нами модель была обучена для анализа изображений грудной клетки при компьютерной томографии с целью отделения аномальных (инфицированных легких) от нормальных (здоровых легких).

    В блок сегментации был загружен большой набор данных, включая дополнения для анализа и обнаружения существования GGO и консолидации, а также для измерения их размера и положения в легких пациентов. Наличие одной или обеих этих инфекций было критерием для классификации нормальных и аномальных случаев. Результатом дополненных данных и реальных данных стало 1500 изображений КТ грудной клетки: 500 нормальных, 500 COVID-19 и 500 других заболеваний пневмонии. Как упоминалось ранее, 80% этих изображений (1200 изображений) использовались в качестве обучающего набора.Выходное представление этого блока либо пустое, что указывает на отсутствие инфекции, либо сегментированная версия изображения, показывающая GGO и консолидацию синим и зеленым цветом соответственно, как показано на рисунке 3. После обнаружения аномалии рассчитывается балл коронного разряда. и передается в качестве выходных данных вместе с положительным прогнозом COVID-19 в последнем блоке.

    РИСУНОК 3 . Сегментация КТ-изображения COVID-19; GGO выделены синим цветом, а консолидация — зеленым.

    Размер КТ-изображения, подаваемого в систему, составляет 352 × 352.Изображения передискретизируются для обобщения модуля. Скорость обучения в этом модуле с помощью оптимизатора Adam устанавливается равной 0,0001. Обучающая часть рассматривает псевдо-значения, которые достигают сходимости примерно за 8 часов на основе 200 эпох. Используемая функция потерь — BCE, как указано в разделе калибровочных показателей. Эта функция учитывает наземную карту истинности и карту границ, созданную сверточным слоем. Затем обученные данные упорядочиваются с помощью быстрого отсева.

    Обученная модель InfNet показала 95.54% точность. Некоторые аномальные изображения были неправильно классифицированы из-за начальной или ранней стадии пневмонии, когда легкие не были слегка повреждены; таким образом, инфекции еще не распознаны. В таблице 1 приведены результаты набора данных тестирования. Предложенная модель показала, что предсказание аномальных изображений составляет 189 из 200 (94,5%) и 97 из 100 для нормальных изображений, которые равны чувствительности и специфичности, соответственно, с показателем f1, равным 0,964 и 98,44% для точность.

    ТАБЛИЦА 1 .Результаты тестирования блока сегментации поражений.

    Чтобы убедиться, что Infnet — лучший выбор для развертывания в этой архитектуре, были протестированы различные методы сегментации и сравнены с этими результатами.

    Все вышеперечисленные методы в таблице 2 были протестированы для обнаружения инфицированных областей (областей интереса). Соответственно, проведена классификация и получены оценочные показатели.

    ТАБЛИЦА 2 . Метрики оценки различных методов, используемых при сегментации.

    4.3 Блок глубокой сети ResNet50

    Модель глубокой сети ResNet50 обучена классифицировать природу пневмонии путем различения пневмонии COVID и не-COVID, представленных на изображениях. Эта модель AI зависит от обратного распространения ошибок между слоями. В то же время веса обновляются в соответствии с полученным результатом обучения как субоптимальный, 0,001 (Smith, 2017). Этот алгоритм имеет 23 миллиона параметров, которые настраиваются с помощью нескольких методов оптимизации. Один из этих параметров — функция потерь.В нашей текущей системе мы использовали двоичную кросс-функцию потери энтропии. Подобно блоку сегментации, расширенный набор данных подается в этот блок, за исключением обычных случаев. Считается, что 800 изображений используются для обучения алгоритма, а 200 изображений — для проверки. Процесс проверки основан на значении функции потерь, которая зависит от разницы между прогнозируемым и истинным значением и вероятности класса.

    В режиме тестирования сеть фокусируется на оценке вероятности каждого класса, чтобы сделать прогноз.На основе минимального значения потерь прогнозируется класс. Сегментированные изображения уменьшили время сходимости модели за счет минимизации размера интересующей области. Более того, более глубокие знания приобретаются в процессе позиционирования инфекции, когда известно, что COVID-19 поражает края легких с двух сторон (Ding et al., 2020).

    Обученная глубокая сеть показала точность 96,5%. В таблице 3 приведены результаты этапа тестирования. Предложенная модель предсказывала наличие COVID-19 в 97 из 100 и его отсутствие в 96 из 100, где эти значения равны чувствительности и специфичности модели соответственно.Он также показал результат f1 0,965 и 96,04% точности.

    ТАБЛИЦА 3 . Результаты тестирования блока ResNet50.

    Чтобы убедиться, что ResNet50 — лучший выбор для развертывания в этой архитектуре, были протестированы различные методы классификации и сравнены с этими результатами.

    Методы, приведенные в таблице 4, были протестированы, чтобы отличить инфекцию COVID от других заболеваний пневмонии. В результате проведена классификация и получены показатели оценки.

    ТАБЛИЦА 4 . Методы оценки различных методов, используемых при классификации пневмонии.

    4.4 Полная модель

    Каждый блок тестировался отдельно для подтверждения его эффективности. В последнем блоке используется тот факт, что он тестируется с сегментированными изображениями для целей сходимости. Было выполнено полное тестирование системы путем передачи набора данных в качестве входных данных для оценки общей производительности. Такой сценарий проходит более реалистичную тестовую среду, где блок ResNet получает образец неправильно классифицированных нормальных изображений из предыдущего блока.Показано, что точность полного теста системы составляет 95%. В таблице 5 показаны все классификации и показатели, каждая из которых имеет свою точность и чувствительность.

    ТАБЛИЦА 5 . Результаты тестирования всей архитектуры.

    4,5 Оценка короны

    На выходе была получена оценка короны для всех положительных сканирований на COVID-19, и случаи были разделены, как обсуждалось ранее, на четыре категории. Ссылаясь на цифры сегментации на основе фактов, мы проверили правильность классификации серьезности и обнаружили, что серьезность всех случаев была правильно классифицирована.Оценка коронного разряда на Рисунке 3 составляет 0,1323, поэтому его класс серьезности умеренный.

    4.6 Вычислительная эффективность

    Общие характеристики системы демонстрируют лучшую вычислительную производительность по различным параметрам.

    • Тернарное разбиение задачи: использование разбиения на блоки привело к повышению производительности вычислений за счет разделения цели на два блока двоичной классификации.

    • Эффективность по времени: одним из основных преимуществ такой архитектуры является эффективность обнаружения во времени по сравнению с аналогичными системами, что позволяет достичь лучшего времени сходимости.

    Сложность прогнозирования в нейронных сетях приблизительно равна O (p (nl1 + nl1 * nl2 +….)), Где p — количество извлеченных признаков, а nl — количество нейронов на слой. В задаче троичной классификации p будет намного больше, чем в двоичном случае, поскольку для идентификации трех классов требуется высокое разрешение. Это значительно увеличивает сложность алгоритма. На входе последнего блока, ResNet50, вставленные изображения представляют собой тепловые карты поражений, извлеченных блоком сегментации, поэтому больше нет сложного компьютерного томографа, что приводит к минимальному количеству извлекаемых функций p .Следовательно, сложность прогнозирования в этой архитектуре достигает неоптимального значения.

    Чтобы проверить наши предположения, мы разработали установку этой троичной задачи. Здесь применяется та же архитектура, за исключением блока сегментации. ResNet50 теперь является классификационным блоком для всей системы. Этот блок получает весь набор данных после дополнения, предварительной обработки и разделения на наборы для обучения и тестирования. Результаты показали сокращение времени вычислений на 36% на этапе тестирования и на 28% на этапе обучения.

    5 Будущая работа

    Эта статья является частью продолжающегося исследования. Статья посвящена сравнению методов сегментации на основе ИИ. Дальнейшая работа будет включать сравнение наших результатов с традиционными методами сегментации и сегментацией, не основанной на ИИ. Наша общая цель — разработать комплексный медицинский центр, который будет поддерживать обнаружение и анализ нескольких заболеваний. Этот медицинский центр не будет ограничиваться COVID-19, но он должен включать выявление других состояний и тяжесть их диагностики.Более того, наша команда уделяет приоритетное внимание поддержанию системы в актуальном состоянии, использованию новых методов и опубликованных работ в литературе. Наконец, в настоящее время мы работаем над уменьшением количества ложных срабатываний и ошибок путем внедрения и тестирования нового уровня проверки и улучшения наших методов калибровки.

    6 Заключение

    В этой статье мы предложили усовершенствованную архитектуру медицинского концентратора с системой искусственного интеллекта, которая состоит из двух этапов: сегментации и глубокой сети ResNet. Первая фаза отвечает за распознавание аномалий на КТ-изображениях, чтобы отделить нормальных пациентов от аномальных.Второй отвечает за различение случаев COVID-19 от других заболеваний пневмонии. Оба этапа показали многообещающие результаты. Точность сегментации составила 95,54 и 96,5% для блока ResNet50. Общая точность оказалась 95%. Вся модель оказалась надежной и потребовала гораздо меньше вычислительного времени, так как лучшая сходимость была достигнута за счет наличия блока сегментации. В нашем исследовании также представлена ​​оценка тяжести случаев COVID-19 (оценка короны).Может быть обнаружена даже минимальная степень серьезности, которая может инициировать немедленное решение о карантине, чтобы избежать распространения вируса. Эта платформа сосредоточена на обнаружении COVID-19 в текущем исследовании, но ее можно развернуть и использовать для анализа медицинских изображений других заболеваний.

    Заявление о доступности данных

    Исходные материалы, представленные в исследовании, включены в статью / дополнительные материалы; дальнейшие запросы можно направить автору-корреспонденту.

    Вклад авторов

    Все перечисленные авторы внесли существенный, прямой и интеллектуальный вклад в работу и одобрили ее для публикации.

    Финансирование

    Это исследование финансировалось TELUS Corp., Канада, Исследовательским советом Американского университета Бейрута и Ливанским национальным советом по научным исследованиям (CNRS), Ливан.

    Конфликт интересов

    Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

    Примечание издателя

    Все претензии, выраженные в этой статье, принадлежат исключительно авторам и не обязательно относятся к их аффилированным организациям или заявлению издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или заявление, которое может быть сделано его производителем, не подлежат гарантии или одобрению со стороны издателя.

    Благодарности

    Авторы хотели бы поблагодарить корпорацию TELUS, исследовательский совет Американского университета Бейрута (URB) (ПРОЕКТ / НАГРАДА: 25350/103780) и Ливанский национальный совет по научным исследованиям (CNRS) за поддержку этого исследования. Работа.

    Ссылки

    Абдельлатиф, А. А., Мохамед, А., Кьяссерини, К. Ф., Тлили, М., и Эрбад, А. (2019). Граничные вычисления для умного здоровья: контекстно-зависимые подходы, возможности и проблемы. IEEE Netw. 33, 196–203. doi: 10.1109 / mnet.2019.1800083

    CrossRef Полный текст | Google Scholar

    Abdellatif, A. A., Samara, L., Mohamed, A., Erbad, A., Chiasserini, C. F., Guizani, M., et al. (2020). I-health: Использование пограничных вычислений и блокчейна для управления эпидемиями, arXiv: 2012.14294.

    Google Scholar

    Adler, A., and Guardo, R. (1995). Методика реконструкции изображения нейронной сети для электроимпедансной томографии. Медицинская визуализация . IEEE Trans. 13, 594–600. doi: 10.1109 / 42.363109

    CrossRef Полный текст | Google Scholar

    Ai, T., Yang, Z., Hou, H., Zhan, C., Chen, C., Lv, W., et al. (2020). Корреляция тестов на Ct и Rt-Pcr на коронавирусную болезнь 2019 (Covid-19) в Китае: отчет о 1014 случаях. Радиология 296, 200642. doi: 10.1148 / radiol.2020200642

    PubMed Реферат | CrossRef Полный текст | Google Scholar

    Алимадади, А., Ариал, С., Манандхар, И., Манро, П., Джо, Б., и Ченг, X. (2020). Искусственный интеллект и машинное обучение для борьбы с Covid-19. Physiol. Геномика 52, 200–202. doi: 10.1152 / Physiolgenomics.00029.2020

    CrossRef Полный текст | Google Scholar

    Bai, H., Hsieh, B., Xiong, Z., Halsey, K., Choi, J., Tran, T., и другие. (2020). Работа радиологов по дифференцированию Covid-19 от вирусной пневмонии на КТ грудной клетки. Радиология 296, 200823. doi: 10.1148 / radiol.2020200823

    PubMed Реферат | CrossRef Полный текст | Google Scholar

    Цао, Ю., Сюй, З., Фэн, Дж., Цзинь, К., Ву, Х. и Ши, Х. (2020). Лонгитюдная оценка Covid-19 с использованием количественного конвейера Ct на основе глубокого обучения: иллюстрация двух случаев. Radiol. Кардиоторак. Imaging 2, e200082. DOI: 10.1148 / ryct.2020200082

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Chen, J., Wu, L., Zhang, J., Zhang, L., Gong, D., Zhao, Y., et al. (2020). Модель на основе глубокого обучения для обнаружения новой коронавирусной пневмонии 2019 года с помощью компьютерной томографии высокого разрешения: проспективное исследование на 27 пациентах, 10 (1): 19196. doi: 10.1038 / s41598-020-76282-0

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Chen, T., Chen, H., and Liu, R.-w. (1995). Возможность аппроксимации в многослойных сетях прямого распространения и связанные с этим проблемы. Нейронные сети . IEEE Trans. 6, 25–30. doi: 10.1109 / 72.363453

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Cicek, O., Abdulkadir, A., Lienkamp, ​​S., Brox, T., and Ronneberger, O. (2016). 3D U-Net: изучение плотной объемной сегментации из разреженных аннотаций. Image Comput. Компьютерное вмешательство , 424–432. doi: 10.1007 / 978-3-319-46723-8_49

    CrossRef Полный текст | Google Scholar

    Эль, Ф., Али, А., Накао, З., Чен, Й.-В., Мацуо, К., и Окава, И. (2000). Алгоритм адаптивного обратного распространения ошибки для реконструкции КТ-изображения с ограниченным углом. IEICE Trans. Fundam. Электрон. Commun. Comput. Sci. 83 (6), 1049–1058. doi: 10.1117 / 12.461668

    CrossRef Полный текст | Google Scholar

    Esteva, A., Kuprel, B., Novoa, R., Ko, J., Swetter, S., Blau, H., et al. (2017). Классификация рака кожи на уровне дерматологов с помощью глубоких нейронных сетей. Nature 542 (7639), 115–118.DOI: 10.1038 / nature21056

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Fan, D.-P., Zhou, T., Ji, G.-P., Zhou, Y., Chen, G., Fu, H., et al. (2020). Inf-net: Автоматическая сегментация инфекции легких Covid-19 на основе изображений Ct. IEEE Trans. Med. Imaging , 1. doi: 10.1109 / TMI.2020.2996645

    PubMed Реферат | CrossRef Полный текст | Google Scholar

    Gaál, G., Maga, B., and Lukács, A. (2020). Внимание! Состязательные архитектуры на основе U-Net для сегментации легких при рентгенографии грудной клетки, arXiv: 2003.10304.

    Google Scholar

    Гозес, О., Фрид-Адар, М., Гринспен, Х., Браунинг, П. Д., Чжан, Х., Цзи, В. и др. (2020). Быстрый цикл разработки искусственного интеллекта для пандемии коронавируса (Covid-19): первые результаты для автоматического обнаружения и мониторинга пациентов с использованием анализа изображений Ct с глубоким обучением, arXiv: 2003.05037.

    Google Scholar

    Guillo, E., Gomez, I., Dangeard, S., Bennani, S., Saab, I., Tordjman, M., et al. (2020). Пневмония Covid-19: диагностическая и прогностическая роль Ct на основе ретроспективного анализа 214 последовательных пациентов из Парижа, Франция. Eur. J. Radiol. 131, 109209. doi: 10.1016 / j.ejrad.2020.109209

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    He, K., Zhang, X., Ren, S., and Sun, J. (2016). Глубокое остаточное обучение для распознавания изображений. Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), Лас-Вегас, Невада, 27–30 июня 2016 г., стр. 770–778. doi: 10.1109 / CVPR.2016.90

    CrossRef Полный текст | Google Scholar

    Hu, Z., Ge, Q., Jin, L., and Xiong, M. (2020). Прогнозирование Covid-19 с помощью искусственного интеллекта в китае. Внутр. J. Educ. Отлично. 6 (1), 71–94. doi: 10.18562 / ijee.054

    CrossRef Полный текст | Google Scholar

    Huang, L., Han, R., Ai, T., Yu, P., Kang, H., Tao, Q., et al. (2020). Серийная количественная оценка КТ грудной клетки Covid-19: подход глубокого обучения. Radiol. Кардиоторак. Imaging 2, e200075. doi: 10.1148 / ryct.2020200075

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Isensee, F., Petersen, J., Klein, A., Zimmerer, D., Jaeger, P., Kohl, S., et al. (2018). Nnu-Net: самонастраивающаяся платформа для сегментации медицинских изображений на основе U-Net. Informatik aktuell, Bildverarbeitung für die Medizin 2018, 22. doi: 10.1007 / 978-3-658-25326-4_7

    CrossRef Полный текст | Google Scholar

    Jin, S., Wang, B., Xu, H., Luo, C., Wei, L., Zhao, W., et al. (2020). Анализ изображений Ct с помощью искусственного интеллекта для скрининга на Covid-19: создание и развертывание медицинской системы искусственного интеллекта за четыре недели. doi: 10.1101 / 2020.03.19.20039354

    CrossRef Полный текст | Google Scholar

    Knudsen, L., и Ochs, M. (2018). Микромеханика альвеол легких: структура и функции поверхностно-активного вещества и тканевых компонентов. Histochem. Cel Biol. 150. doi: 10.1007 / s00418-018-1747-9

    CrossRef Полный текст | Google Scholar

    Li, L., Qin, L., Xu, Z., Yin, Y., Wang, X., Kong, B., et al. (2020). Искусственный интеллект отличает Covid-19 от внебольничной пневмонии по КТ грудной клетки. Радиология 296, 200905. doi: 10.1148 / radiol.2020200905

    CrossRef Полный текст | Google Scholar

    Лян, Т., Liu, Z., Wu, C., Jin, C., Zhao, H., Wang, Y., et al. (2020). Эволюция результатов Ct у пациентов с легкой пневмонией, вызванной Covid-19. Eur. Радиол. 30, 1–9. doi: 10.1007 / s00330-020-06823-8

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Luo, H., Tang, Q.-l., Shang, Y.-x., Liang, S.-B., Yang, M., Robinson, N., et al. (2020). Можно ли использовать китайскую медицину для профилактики коронавирусной болезни 2019 (Covid-19)? Обзор исторических классиков, научных данных и текущих профилактических программ. Подбородок. J. Integr. Med. 26, 243–250. doi: 10.1007 / s11655-020-3192-6

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Milletari, F., Navab, N., and Ahmadi, S.-A. (2016). V-net: Полностью сверточные нейронные сети для объемной сегментации медицинских изображений. Четвертый межд. Конф. 3D Vis. (3dv) 2016, 565–571. doi: 10.1109 / 3DV.2016.79

    CrossRef Полный текст | Google Scholar

    Nejatali, A., and Ciric, I. (1998). Итерационный алгоритм визуализации электрического импеданса с использованием нейронных сетей. Magnetics, IEEE Trans. 34, 2940–2943. doi: 10.1109 / 20.717686

    CrossRef Полный текст | Google Scholar

    Pan, F., Ye, T., Sun, P., Gui, S., Liang, B., Li, L., et al. (2020). Динамика изменений легких на КТ грудной клетки во время выздоровления от пневмонии, вызванной новым коронавирусом (Covid-19) 2019 г. Радиология 295, 200370. doi: 10.1148 / radiol.2020200370

    CrossRef Полный текст | Google Scholar

    Qi, X., Jiang, Z., Yu, Q., Shao, C., Zhang, H., Yue, H., et al.(2020). Модель Ct-радиомики на основе машинного обучения для прогнозирования пребывания в больнице у пациентов с пневмонией, связанной с инфекцией Sars-Cov-2: многоцентровое исследование. 8 (14): 859. doi: 10.21037 / atm-20-3026

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Роннебергер, О., Фишер, П., и Брокс, Т. (2015). U-net: сверточные сети для сегментации биомедицинских изображений. т. 9351, 234–241. doi: 10.1007 / 978-3-319-24574-4_28

    CrossRef Полный текст | Google Scholar

    Shan +, F., Gao +, Y., Wang, J., Shi, W., Shi, N., Han, M., et al. (2021 г.). Количественная оценка аномалий легких на КТ-изображениях грудной клетки пациентов с COVID ‐ 19 с глубоким обучением и ее применение для прогнозирования степени тяжести. Med. Phys. 1633–1645. DOI: 10.1002 / mp.14609

    Google Scholar

    Шен, К., Ю, Н., Цай, С., Чжоу, Дж., Шэн, Дж., Лю, К. и др. (2020). Количественный анализ компьютерной томографии для стратификации степени тяжести коронавирусного заболевания, 2019 г. J. Pharm. Анальный. 10 (2), 123–129.doi: 10.1016 / j.jpha.2020.03.004

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Шен Д., Ву Г. и Сук Х.-И. (2017b). Глубокое обучение в области анализа медицинских изображений. Annu. Преподобный Биомед. Англ. 19, 221–248. DOI: 10.1146 / annurev-bioeng-071516-044442

    Shi, F., Wang, J., Shi, J., Wu, Z., Wang, Q., Tang, Z., et al. (2020a). Обзор методов искусственного интеллекта при сборе, сегментации и диагностике визуализационных данных для Covid-19. Обзоры IEEE в биомедицинской инженерии PP, 4–15.doi: 10.1109 / RBME.2020.2987975

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Shi, F., Xia, L., Shan, F., Wu, D., Wei, Y., Yuan, H., et al. (2020b). Широкомасштабный скрининг Covid-19 от внебольничной пневмонии с использованием классификации инфекции с учетом размера. Phys. Med. Биол. 66 (6), 065031. doi: 10.1088 / 1361-6560 / abe838

    CrossRef Полный текст | Google Scholar

    Smith, L. (2017). Циклические темпы обучения для обучения нейронных сетей.Зимняя конференция IEEE по приложениям компьютерного зрения (WACV), Санта-Роза, Калифорния, 24–31 марта 2017 г., стр. 464–472. doi: 10.1109 / WACV.2017.58

    CrossRef Полный текст | Google Scholar

    Suzuki, K., Horiba, I., and Sugie, N. (2001). Простой алгоритм сокращения нейронной сети с применением для синтеза фильтров. Нейронный процесс. Lett. 13, 43–53. doi: 10.1023 / A: 1009639214138

    CrossRef Полный текст | Google Scholar

    Suzuki, K., Horiba, I., and Sugie, N. (2002a).Эффективная аппроксимация нейронных фильтров для удаления квантового шума с изображений. Сигнал. Обработка, IEEE Trans. 50, 1787–1799. doi: 10.1109 / TSP.2002.1011218

    CrossRef Полный текст | Google Scholar

    Сузуки, К., Хориба, И., Суги, Н., и Нанки, М. (2002b), Нейронный фильтр с выбором входных функций и его применение для улучшения качества изображения последовательностей медицинских изображений. Операции IEICE с информацией и системами E85-D . 85, 1710–1718. Институт инженеров электроники, информации и связи.

    Google Scholar

    Судзуки К., Хориба И. и Суги Н. (2004). Neural Edge Enhancer для контролируемого улучшения края зашумленных изображений. Анализ моделей и машинный интеллект . IEEE Trans. 25, 1582–1596. doi: 10.1109 / TPAMI.2003.1251151

    CrossRef Полный текст | Google Scholar

    Tang, L., Zhang, X., Wang, Y., and Zeng, X. (2020a). Тяжелая пневмония Covid-19: оценка бремени воспаления с помощью компьютерной томографии грудной клетки с визуализацией объема. Radiol.Кардиоторак. Imaging 2, e200044. doi: 10.1148 / ryct.2020200044

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Tang, Z., Zhao, W., Xie, X., Zhong, Z., Shi, F., Liu, J., et al. (2020b). Оценка серьезности коронавирусного заболевания 2019 (Covid-19) с использованием количественных характеристик из изображений КТ грудной клетки. Phys. Med. Биол. 66 (3), 035015. doi: 10.1088 / 1361-6560 / abbf9e

    CrossRef Полный текст | Google Scholar

    Vatathanavaro, S., Tungjitnob, S., и Пасупа, К. (2018). Классификация белых кровяных телец: сравнение моделей Vgg-16 и Resnet-50 12, 4–5.

    Wang, Y., Hu, M., Zhou, Y., Li, Q., Yao, N., Zhai, G., et al. (2020). Ненавязчивая и автоматическая классификация аномальных респираторных паттернов множества людей в реальном времени с использованием глубокой нейронной сети и камеры глубины. Журнал IEEE «Интернет вещей» . 9, 8559–8571. DOI: 10.1109 / JIOT.2020.2991456

    Google Scholar

    Wu, G., Ким, М., Ван, К., Манселл, Б.С., и Шен, Д. (2016). Масштабируемая высокопроизводительная структура регистрации изображений путем обучения неконтролируемым представлениям глубоких функций. IEEE Trans. Биомед. Англ. 63, 1505–1516. doi: 10.1109 / TBME.2015.2496253

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Zhang, K.

    Добавить комментарий

    *
    *

    Необходимые поля отмечены*