المؤلفون: M. S. Mosoyan, О. V. Kalinina, T. V. Vavilova, N. A. Aysina, A. V. Makeev, A. A. Borisov, М. С. Мосоян, О. В. Калинина, Т. В. Вавилова, Н. А. Айсина, В. А. Макеев, А. А. Борисов

المساهمون: Работа поддержана ФГБУ «НМИЦ им. В.А. Алмазова» Минздрава России.

المصدر: Translational Medicine; Том 10, № 4 (2023); 322-331 ; Трансляционная медицина; Том 10, № 4 (2023); 322-331 ; 2410-5155 ; 2311-4495

مصطلحات موضوعية: репарация ДНК, genetic testing, new generation sequencing (NGS), PARP, PCR, prostate cancer, гены-онкосупрессоры, гомологичная рекомбинация, мутация, рак предстательной железы

وصف الملف: application/pdf

Relation: https://transmed.almazovcentre.ru/jour/article/view/803/526; Маилян О.А., Калпинский А.С., Решетов И.В. и др. Определение распространенности мутаций в генах репарации ДНК в российской популяции у больных метастатическим кастрационно-резистентным раком предстательной железы. Онкоурология 2022;18(3):60–6]. DOI:10.17650/1726-97762022-18-3-60-66.; Злокачественные новообразования в России в 2020 году (заболеваемость и смертность). Под ред. А. Д. Каприна, В. В. Старинского, А. О. Шахзадовой. М.: МНИОИ им. П. А. Герцена — филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2021. 252 с.].; Налетов А.А., Недбайло С.А., Кудратова Е.А. и др. Применение апалутамида для лечения рака предстательной железы. Университетская медицина Урала. 2022. Том: 8 Номер: 2 (29). Страницы: 78–83. eLIBRARY ID: 49343196].; Leith A, Ribbands A, Kim J, et al. Real-world homologous recombination repair mutation testing in metastatic castration-resistant prostate cancer in the USA, Europe and Japan. Future Oncol. 2022; 18: 937–951. DOI:10.2217/fon-2021-1113.; Yoshida K, Miki Y. Role of BRCA1 and BRCA2 as regulators of DNA repair, transcription, and cell cycle in response to DNA damage. Cancer Sci. 2004; 95(11):866–871. DOI:10.1111/j.1349-7006.2004.tb02195.x; Samstein RM, Krishna C, Ma X, et al. Mutations in BRCA1 and BRCA2 differentially affect the tumor microenvironment and response to checkpoint blockade immunotherapy. Nat Cancer. 2021; 1(12):1188–1203. DOI:10.1038/s43018-020-00139-8.; Turnbull C, Sud A, Houlston RS. Cancer genetics, precision prevention and a call to action. Nat Genet. 2018; 50(9):1212–1218. DOI:10.1038/s41588-018-0202-0.; Логинова М.В., Павлов В.Н., Гилязова И.Р. Прогностическое значение мутаций в генах BRCA1 и BRCA2 при раке предстательной железы (обзор литературы). Креативная хирургия и онкология. 2021;11(2):183–187]. https://doi.org/10.24060/2076-30932021-11-2-183-187.; Cheng HH, Sokolova AO, Schaeffer EM, et al. Germline and Somatic Mutations in Prostate Cancer for the Clinician. J Natl Compr Canc Netw. 2019; 17(5):515–521. DOI:10.6004/jnccn.2019.7307.; Pritchard CC, Mateo J, Walsh MF, et al. Inherited DNA-Repair Gene Mutations in Men with Metastatic Prostate Cancer. N Engl J Med. 2016; 375(5):443–453. DOI:10.1056/NEJMoa1603144.; Стукань А.И., Горяинова А.Ю., Григорян М.М. и др. Сигнальный механизм рецептора андрогена при раке предстательной железы: резистентность к антиандрогенной терапии и связь с генами репарации повреждений ДНК. Онкоурология 2023;19(1):85–101]. DOI:10.17650/17269776-2023-19-1-85-101.; Mai PL, Chatterjee N, Hartge P, et al. Potential excess mortality in BRCA1/2 mutation carriers beyond breast, ovarian, prostate, and pancreatic cancers, and melanoma. PLoS One. 2009; 4(3):e4812. DOI:10.1371/journal.pone.0004812.; Roy R, Chun J, Powell SN. BRCA1 and BRCA2: different roles in a common pathway of genome protection. Nat Rev Cancer. 2011; 12(1):68–78. DOI:10.1038/nrc3181.; Lin D, Izadpanah R, Braun SE, et al. A novel model to characterize structure and function of BRCA1. Cell Biol Int. 2018; 42(1):34–44. DOI:10.1002/cbin.10846.; Roy R, Chun J, Powell SN. BRCA1 and BRCA2: different roles in a common pathway of genome protection. Nat Rev Cancer. 2011 Dec 23;12(1):68–78. DOI:10.1038/nrc3181.; Castro E, Goh C, Leongamornlert D, et al. Effect of BRCA Mutations on Metastatic Relapse and Cause-specific Survival After Radical Treatment for Localised Prostate Cancer. Eur Urol. 2015; 68(2):186–193. DOI:10.1016/j.eururo.2014.10.022.; Song WH, Kim SH, Joung JY, et al. Prostate Cancer in a Patient with a Family History of BRCA Mutation: a Case Report and Literature Review. J Korean Med Sci. 2017; 32(2):377–381. DOI:10.3346/jkms.2017.32.2.377.; Castro E, Goh C, Olmos D, et al. Germline BRCA mutations are associated with higher risk of nodal involvement, distant metastasis, and poor survival outcomes in prostate cancer. J Clin Oncol. 2013; 31(14):1748–1757. DOI:10.1200/JCO.2012.43.1882.; Segal N, Ber Y, Benjaminov O, et al. Imaging-based prostate cancer screening among BRCA mutation carriersresults from the first round of screening. Ann Oncol. 2020; 31(11):1545–1552. DOI:10.1016/j.annonc.2020.06.025.; Ishiyama Y, Shimbo M, Iizuka J, et al. Association between prostate cancer characteristics and BRCA1/2associated family cancer history in a Japanese cohort. PLoS One. 2020; 15(12):e0244149. DOI:10.1371/journal.pone.0244149.; Ibrahim M, Yadav S, Ogunleye F, et al. Male BRCA mutation carriers: clinical characteristics and cancer spectrum. BMC Cancer. 2018; 18(1):179. DOI:10.1186/s12885-018-4098-y.; Abida W, Patnaik A, Campbell D, et al. Rucaparib in Men With Metastatic Castration-Resistant Prostate Cancer Harboring a BRCA1 or BRCA2 Gene Alteration. J Clin Oncol. 2020; 38(32):3763–3772. DOI:10.1200/JCO.20.01035.; Mersch J, Jackson MA, Park M, et al. Cancers associated with BRCA1 and BRCA2 mutations other than breast and ovarian. Cancer. 2015; 121(2):269–75. DOI:10.1002/cncr.29041.; Pellini F, Granuzzo E, Urbani S, et al. Male Breast Cancer: Surgical and Genetic Features and a Multidisciplinary Management Strategy. Breast Care (Basel). 2020; 15(1):14–20. DOI:10.1159/000501711.; Gallagher DJ, Gaudet MM, Pal P, et al. Germline BRCA mutations denote a clinicopathologic subset of prostate cancer. Clin Cancer Res. 2010; 16(7):2115–2121. DOI:10.1158/1078-0432.CCR-09-2871.; Mateo J, Boysen G, Barbieri CE, et al. DNA Repair in Prostate Cancer: Biology and Clinical Implications. Eur Urol. 2017; 71(3):417–425. DOI:10.1016/j.eururo.2016.08.037.; Stolarova L, Kleiblova P, Janatova M, et al. CHEK2 Germline Variants in Cancer Predisposition: Stalemate Rather than Checkmate. Cells. 2020; 9(12):2675. DOI:10.3390/cells9122675.; Zhen JT, Syed J, Nguyen KA, et al. Genetic testing for hereditary prostate cancer: Current status and limitations. Cancer. 2018; 124(15):3105–3117. DOI:10.1002/cncr.31316.; Dong X, Wang L, Taniguchi K, et al. Mutations in CHEK2 associated with prostate cancer risk. Am J Hum Genet. 2003; 72(2):270–280. DOI:10.1086/346094.; Матвеев В.Б., Киричек А.А., Савинкова А.В. и др. Влияние герминальных мутаций в гене CHEK2 на выживаемость до биохимического рецидива и безметастатическую выживаемость после радикального лечения у больных раком предстательной железы. Онкоурология 2018;14(4):53–67].; Wu S, Zhou J, Zhang K, et al. Molecular Mechanisms of PALB2 Function and Its Role in Breast Cancer Management. Front Oncol. 2020; 10:301. DOI:10.3389/fonc.2020.00301.; Голотюк М.А., Бережной А.А., Казанцева Н.В. и др. Герминальные мутации в генах PALB2 и CHEK2 и наследственный рак. Уральский медицинский журнал. 2023;22(3):126−136]. http://doi.org/10.52420/2071-5943-2023-22-3-126-136; Nicolosi P, Ledet E, Yang S, et al. Prevalence of germline variants in prostate cancer and implications for current genetic testing guidelines. JAMA Oncol. 2019;5(4):523−528. https://doi.org/10.1001/jamaoncol.2018.6760; Dillon KM, Bekele RT, Sztupinszki Z, et al. PALB2 or BARD1 loss confers homologous recombination deficiency and PARP inhibitor sensitivity in prostate cancer. NPJ Precis Oncol. 2022;6(1):49. https://doi.org/10.1038/s41698-022-00291-7.; Norris JD, Chang C-Y, Wittmann BM, et al. The homeodomain protein HOXB13 regulates the cellular response to androgens. Molec Cell. 2009;36(3):405−16. https://doi.org/10.1016/j.molcel.2009.10.020; Шашкин М.Н., Головко Д.А. Обзор универсальных и специфичных мутаций высокопенетрантных генов, ассоциированных с опухолями предстательной железы// Вестник науки. 2022. №6 (51)].; Рева С.А., Кудинова Н.И., Лапин С.В., Петров С.Б. Генетическое исследование как метод оценки предрасположенности к развитию рака предстательной железы. Вестник урологии. 2020;8(3):103−110]. https://doi.org/10.21886/2308-6424-2020-8-3-103-110; Park CK, Shin SJ, Cho YA, et al. HoxB13 expression in ductal type adenocarcinoma of prostate: clinicopathologic characteristics and its utility as potential diagnostic marker. Sci Rep. 2019;9(1):20205. https://doi.org/10.1038/s41598-019-56657-8.; Ueno S, Sudo T, Hirasawa A. ATM: Functions of ATM Kinase and Its Relevance to Hereditary Tumors. Int J Mol Sci. 2022; 23(1):523. DOI:10.3390/ijms23010523.; Neeb A, Herranz N, Arce-Gallego S, et al. Advanced Prostate Cancer with ATM Loss: PARP and ATR Inhibitors. Eur Urol. 2021; 79(2):200−211. DOI:10.1016/j.eururo.2020.10.029.; Zolotyh MA, Bilyalov AI, Nesterova AI, et al. Rak molochnoj zhelezy: genetika personal’nogo riska. Klinicheskaya onkologiya. 2023; 25(2): 190−198. In Russian [Золотых М.А., Билялов А.И., Нестерова А.И. и др. Рак молочной железы: генетика персонального риска. Клиническая онкология. 2023; 25(2): 190−198]. https://doi.org/10.26442/18151434.2023.2.202110; Kote-Jarai Z, Jugurnauth S, Mulholland S, et al. A recurrent truncating germline mutation in the BRIP1/FANCJ gene and susceptibility to prostate cancer. Br J Cancer 100, 426–430 (2009). https://doi.org/10.1038/sj.bjc.6604847; Isaacsson Velho P, Qazi F, Hassan S, et al. Efficacy of Radium-223 in Bone-metastatic Castrationresistant Prostate Cancer with and Without Homologous Repair Gene Defects. Eur Urol. 2019; 76(2):170−176. DOI:10.1016/j.eururo.2018.09.040.; Sutera P, Deek MP, Van der Eecken K, et al. Genomic biomarkers to guide precision radiotherapy in prostate cancer. Prostate. 2022; 82 Suppl 1(Suppl 1):S73− S85. DOI:10.1002/pros.24373.; Robinson D, Van Allen EM, Wu YM, et al. Integrative clinical genomics of advanced prostate cancer. Cell. 2015; 161(5):1215−1228. DOI:10.1016/j.cell.2015.05.001.; Cohen SA, Pritchard CC, Jarvik GP. Lynch Syndrome: From Screening to Diagnosis to Treatment in the Era of Modern Molecular Oncology. Annu Rev Genomics Hum Genet. 2019; 20:293−307. DOI:10.1146/annurev-genom-083118-015406.; Mitra AV, Bancroft EK, Barbachano Y, et al. Targeted prostate cancer screening in men with mutations in BRCA1 and BRCA2 detects aggressive prostate cancer: preliminary analysis of the results of the IMPACT study. BJU Int. 2011; 107(1):28−39. DOI:10.1111/j.1464410X.2010.09648.x.; Sokolova AO, Cheng HH. Genetic Testing in Prostate Cancer. Curr Oncol Rep. 2020; 22(1):5. DOI:10.1007/s11912-020-0863-6.; European Association of Urology. Guidelines 2020. In Russian [Европейская ассоциация урологов. Клинические рекомендации Европейской ассоциации урологов 2020].; Loeb S, Carter HB, Catalona WJ, et al. Baseline prostate-specific antigen testing at a young age. Eur Urol. 2012; 61(1):1−7. DOI:10.1016/j.eururo.2011.07.067.; Bancroft EK, Page EC, Castro E, et al. Targeted prostate cancer screening in BRCA1 and BRCA2 mutation carriers: results from the initial screening round of the IMPACT study. Eur Urol. 2014; 66(3):489−499. DOI:10.1016/j.eururo.2014.01.003.; Tang P, Sun L, Uhlman MA, et al. Initial prostate specific antigen 1.5 ng/ml or greater in men 50 years old or younger predicts higher prostate cancer risk. J Urol. 2010; 183(3):946−950. DOI:10.1016/j.juro.2009.11.021.; Vickers AJ, Ulmert D, Sjoberg DD, et al. Strategy for detection of prostate cancer based on relation between prostate specific antigen at age 40−55 and long term risk of metastasis: case-control study. BMJ. 2013; 346:f2023. DOI:10.1136/bmj.f2023.; Wyatt AW, Annala M, Aggarwal R, et al. Concordance of Circulating Tumor DNA and Matched Metastatic Tissue Biopsy in Prostate Cancer. J Natl Cancer Inst. 2017; 109(12):djx118. DOI:10.1093/jnci/djx118.; Sigorski D, Iżycka-Świeszewska E, Bodnar L. Poly(ADP-Ribose) Polymerase Inhibitors in Prostate Cancer: Molecular Mechanisms, and Preclinical and Clinical Data. Target Oncol. 2020; 15(6):709−722. DOI:10.1007/s11523-020-00756-4.; Bishoff JT, Freedland SJ, Gerber L, et al. Prognostic utility of the cell cycle progression score generated from biopsy in men treated with prostatectomy. J Urol. 2014; 192(2):409−414. DOI:10.1016/j.juro.2014.02.003.; Klein EA, Yousefi K, Haddad Z, et al. A genomic classifier improves prediction of metastatic disease within 5 years after surgery in node-negative high-risk prostate cancer patients managed by radical prostatectomy without adjuvant therapy. Eur Urol. 2015; 67(4):778−786. DOI:10.1016/j.eururo.2014.10.036.; Benjamin H, Tashzna J, Olamide O, et al. Association Between a 22-feature Genomic Classifier and Biopsy Gleason Upgrade During Active Surveillance for Prostate Cancer. Eur Urol Open Sci. 2022 Feb 11; 37:113−119. DOI:10.1016/j.euros.2022.01.008.; Geybels MS, Wright JL, Bibikova M, et al. Epigenetic signature of Gleason score and prostate cancer recurrence after radical prostatectomy. Clin Epigenetics. 2016; 8:97. DOI:10.1186/s13148-016-0260-z.; Covas Moschovas M, Chew C, Bhat S, et al. Association Between Oncotype DX Genomic Prostate Score and Adverse Tumor Pathology After Radical Prostatectomy. Eur Urol Focus. 2022; 8(2):418−424. DOI:10.1016/j.euf.2021.03.015.; https://transmed.almazovcentre.ru/jour/article/view/803

الاتاحة: https://transmed.almazovcentre.ru/jour/article/view/803
https://doi.org/10.18705/2311-4495-2023-10-4-322-331

المؤلفون: A. A. Borisov, K. M. Arzamasov, S. S. Semenov, A. V. Vladzimirsky, Yu. A. Vasiliev, А. А. Борисов, К. М. Арзамасов, С. С. Семенов, А. В. Владзимирский, Ю. А. Васильев

المساهمون: The article was written by the author's team as a part of the research work “Development of a platform for the preparation of datasets of radiation diagnostic studies”., Данная статья подготовлена авторским коллективом в рамках научно-исследовательской работы “Разработка платформы подготовки наборов данных лучевых диагностических исследований”

المصدر: Medical Visualization; Том 28, № 2 (2024); 134-144 ; Медицинская визуализация; Том 28, № 2 (2024); 134-144 ; 2408-9516 ; 1607-0763

مصطلحات موضوعية: трансферное обучение, quality assurance, DICOM metadata, DICOM-tags, dataset generation, deep convolutional neural networks, transfer learning, контроль качества, метаданные DICOM, DICOM-теги, формирование наборов данных, глубокие сверточные нейронные сети

وصف الملف: application/pdf

Relation: https://medvis.vidar.ru/jour/article/view/1346/855; https://medvis.vidar.ru/jour/article/downloadSuppFile/1346/2115; https://medvis.vidar.ru/jour/article/downloadSuppFile/1346/2116; McDonald R.J., Schwartz K.M., Eckel L.J. et al. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad. Radiol. 2015; 22 (9): 1191–1198. https://doi.org/10.1016/j.acra.2015.05.007; van Leeuwen K.G., de Rooij M., Schalekamp S. et al. How does artificial intelligence in radiology improve efficiency and health outcomes? Pediatr. Radiol. 2022; 52 (11): 2087–2093. https://doi.org/10.1007/s00247-021-05114-8; Chetlen A.L., Chan T.L., Ballard D.H. et al. Addressing Burnout in Radiologists. Acad. Radiol. 2019; 26 (4): 526–533. https://doi.org/10.1016/j.acra.2018.07.001; Hosny A., Parmar Ch., Quackenbush J. et al. Artificial intelligence in radiology. Nat. Rev. Cancer. 2018; 18 (8): 500–510. https://doi.org/10.1038/s41568-018-0016-5; Rubin D.L. Artificial Intelligence in Imaging: The Radiologist’s Role. J. Am. Coll. Radiol. 2019; 16 (9): 1309–1317. https://doi.org/10.1016/j.jacr.2019.05.036; Savadjiev P., Chong J., Dohan A. et al. Demystification of AI-driven medical image interpretation: past, present and future. Eur. Radiol. 2019; 29 (3): 1616–1624. https://doi.org/10.1007/s00330-018-5674-x; Acosta J.N., Falcone G.J., Rajpurkar P. The Need for Medical Artificial Intelligence That Incorporates Prior Images. Radiology. 2022; 304 (2): 283–288. https://doi.org/10.1148/radiol.212830; Павлов Н.А., Андрейченко А.Е., Владзимирский А.В., Ревазян А.А., Кирпичев Ю.С., Морозов С.П. Эталонные медицинские датасеты (MosMedData) для независимой внешней оценки алгоритмов на основе искусственного интеллекта в диагностике. Dig. Diagn. 2021; 2 (1): 49–66. https://doi.org/10.17816/DD60635; Willemink M.J., Koszek W.A., Hardell C. et al. Preparing Medical Imaging Data for Machine Learning. Radiology. 2020; 295 (1): 4–15. https://doi.org/10.1148/radiol.2020192224; Park S.H., Han K. Methodologic Guide for Evaluating Clinical Performance and Effect of Artificial Intelligence Technology for Medical Diagnosis and Prediction. Radiology. 2018; 286 (3): 800–809. https://doi.org/10.1148/radiol.2017171920; European Society of Radiology (ESR). What the radiologist should know about artificial intelligence – an ESR white paper. Insights. Imaging. 2019; 10 (1): 44. https://doi.org/10.1186/s13244-019-0738-2; Борисов А.А., Семенов С.С., Арзамасов К.М. Использование трансферного обучения для автоматизированного поиска дефектов на рентгенограммах органов грудной клетки. Медицинская визуализация. 2023; 27 (1): 158–169. https://doi.org/10.24835/1607-0763-1243; Juszczyk J., Badura P., Czajkowska J. et al. Automated size-specific dose estimates using deep learning image processing. Medical Image Analysis. 2021; 68: 101898. https://doi.org/10.1016/j.media.2020.101898; Keshavamurthy K.N., Elnajjar P., El-Rowmeim A. et al. Application of Deep Learning Techniques for Characterization of 3D Radiological Datasets – A Pilot Study for Detection of Intravenous Contrast in Breast MRI. Proc. SPIE Int. Soc. Opt. Eng. 2019; 10954: 109540X. https://doi.org/10.1117/12.2513809; DICOM standart // URL: https://www.dicomstandard.org/ (дата обращения 10.01.2023); CheXpert Dataset //URL: https://stanfordmlgroup.github.io/competitions/chexpert/ (дата обращения 23.12.2022); Chest X-rays dataset // URL: https://www.kaggle.com/datasets/raddar/chest-xrays-indiana-university (дата обращения 26.12.2022); Chest X-Ray Images (Pneumonia)// URL: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia (дата обращения 20.12.2022); NIH ChestX-ray14 //URL: https://nihcc.app.box.com/v/ChestXray-NIHCC (дата обращения 20.12.2022); Han B., Du J., Jia Y. et al. Zero-Watermarking Algorithm for Medical Image Based on VGG19 Deep Convolution Neural Network. J. Healthc. Eng. 2021; 2021: 5551520. https://doi.org/10.1155/2021/5551520; Karacı A. VGGCOV19-NET: automatic detection of COVID-19 cases from X-ray images using modified VGG19 CNN architecture and YOLO algorithm. Neural. Comput. Appl. 2022; 34 (10): 8253–8274. https://doi.org/10.1007/s00521-022-06918-x; ROC-инструмент ГБУЗ НПКЦ ДиТ ДЗМ // URL: https://roc-analysis.mosmed.ai/; Mustra M., Delac K., Grgic M. et al. Overview of the DICOM standard. ELMAR, 2008. 50th International Symposium. Zadar, Croatia: 39–44. ISBN 978-1-4244-3364-3; Gueld M.O., Kohnen M., Keysers D. et al. Quality of DICOM header information for image categorization. Proc. SPIE 4685. Medical Imaging 2002: PACS and Integrated Medical Information Systems: Design and Evaluation. https://doi.org/10.1117/12.467017; Santosh K.C., Wendling L. Angular relational signature-based chest radiograph image view classification. Med. Biol. Eng. Comput. 2018; 56 (8): 1447–1458. https://doi.org/10.1007/s11517-018-1786-3; Urinbayev K., Orazbek Y., Nurambek Y. et al. End-to-End Deep Diagnosis of X-ray Images. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) in conjunction with the 43rd Annual Conference of the Canadian Medical and Biological Engineering Society. https://doi.org/10.1109/EMBC44109.2020.9175208; https://medvis.vidar.ru/jour/article/view/1346

الاتاحة: https://medvis.vidar.ru/jour/article/view/1346
https://doi.org/10.24835/1607-0763-1346

المؤلفون: A. A. Borisov, S. S. Semenov, K. M. Arzamasov, А. А. Борисов, С. С. Семенов, К. М. Арзамасов

المساهمون: The article was written as part of a grant with the registration number: 122112400040-1, Работа выполнена в рамках гранта с регистрационным номером карты в системе ЕГИСУ НИОКТР: 122112400040-1

المصدر: Medical Visualization; Том 27, № 1 (2023); 158-169 ; Медицинская визуализация; Том 27, № 1 (2023); 158-169 ; 2408-9516 ; 1607-0763

مصطلحات موضوعية: трансферное обучение, quality assurance, machine learning, artificial neural network, Deep convolutional neural networks, transfer learning, контроль качества, машинное обучение, искусственные нейронные сети, глубокие сверточные нейронные сети

وصف الملف: application/pdf

Relation: https://medvis.vidar.ru/jour/article/view/1332/787; Kim T.K., Yi P.H., Wei J. et al. Deep learning method for automated classification of anteroposterior and postero-anterior chest radiographs. J. Digit. Imaging. 2019; 32 (6): 925–930. https://doi.org/10.1007/s10278-019-00208-0; Shet N., Chen J., Siegel E. Continuing challenges in defining image quality. Pediatr. Radiol. 2011; 41 (5): 582–589. https://doi.org/10.1007/s00247-011-2028-0; McDonald R.J., Schwartz K.M., Eckel L.J. et al. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad. Radiol. 2015; 22 (9): 1191–1198. https://doi.org/10.1016/j.acra.2015.05.007; Willis C.E., Nishino T.K., Wells J.R. et al. Automated quality control assessment of clinical chest images. Med. Phys. 2018; 45 (10): 4377–4391. https://doi.org/10.1002/mp.13107; Rale A.P., Gharpure D.C., Ravindran V.R. et al. Comparison of different ANN techniques for automatic defect detection in X-Ray images. 2009 International Conference on Emerging Trends in Electronic and Photonic Devices & Systems. 2009; 193–197. https://doi.org/10.1109/ELECTRO.2009.5441138; Морозов С.П., Кузьмина Е.С., Ледихова Н.В., Владзимирский А.В., Трофименко И.А., Мокиенко О.А., Панина Е.В., Андрейченко А.Е., Омелянская О.В., Гомболевский В.А., Полищук Н.С., Шулькин И.М., Решетников Р.В. Мобилизация научно-практического потенциала службы лучевой диагностики г. Москвы в пандемию COVID-19. Digital Diagn. 2020. 1 (1): 5–12. https://doi.org/10.17816/DD51043; Приказ Министерства здравоохранения РФ от 30 ноября 2017 г. № 965н “Об утверждении порядка организации и оказания медицинской помощи с применением телемедицинских технологий” // base.garant.ru [Электронный ресурс]. URL: https://base.garant.ru/71851294/; Приказ Департамента здравоохранения города Москвы от 01.04.2020 №323 “О создании дистанционного референс-центра по лучевой диагностике”. tele-med.ai [Электронный ресурс]. URL: https://tele-med.ai/biblioteka-dokumentov/dzm-prikaz-01042020-323-distanc-referens-centr-ld; Приказ Департамента здравоохранения города Москвы от 15.03.2018 № 183 “Об утверждении регламента организации оказания медицинской помощи по профилям “рентгенология” и “радиология” с применением телемедицинских технологий”. consultant.ru [Электронный ресурс]. URL: http://www.consultant.ru/cons/cgi/online.cgi?req=doc&base=MLAW&n=184819#vjWHo7T82RuFXi2g1; Приказ Департамента здравоохранения города Москвы от 31.12.2019 №1160 “Об утверждении Регламента регистрации данных в Едином радиологическом информационном сервисе автоматизированной информационной системы города Москвы «Единая медицинская информационно-аналитическая система города Москвы»”. mos.ru [Электронный ресурс]. URL: https://www.mos.ru/dzdrav/documents/department-acts/view/233696220/; Morozov S.P., Ledikhova N.V., Panina E.V. et al. Performance quality of X-ray technicians when they interact remotely with the reference center for diagnostic radiology using telemedicine technologies. Natsional'noe Zdravookhranenie. 2021; 2 (2): 36–46.; Rajkomar A., Lingam S., Taylor A.G. et al. High-Throughput Classification of Radiographs Using Deep Convolutional Neural Networks. J. Digit. Imaging. 2017; 30 (1): 95–101. https://doi.org/10.1007/s10278-016-9914-9; CheXpert Dataset //URL: https://stanfordmlgroup.github.io/competitions/chexpert/ (дата обращения 23.03.2022); Chest X-rays dataset. URL: https://www.kaggle.com/datasets/raddar/chest-xrays-indiana-university (дата обращения 26.03.2022); Chest X-Ray Images (Pneumonia). URL: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia (дата обращения 20.12.2021); NIH ChestX-ray14. URL: https://nihcc.app.box.com/v/ChestXray-NIHCC (дата обращения 20.12.2021); Приказ Департамента здравоохранения города Москвы от 25.12.2017 № 918 о регламенте регистрации данных в системе “Единый радиологический информационный сервис” в медицинских организациях государственной системы здравоохранения города Москвы”. consultant.ru [Электронный ресурс]. URL: http://www.consultant.ru/cons/cgi/online.cgi?req=doc&base=MLAW&n=183590#zudlo7TsbVSwYBM12; Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. 3rd Int. Conf. Learn. Represent. ICLR 2015. Conf. Track Proc. 2015: 1–14. https://doi.org/10.48550/arXiv.1409.1556; ROC-инструмент ГБУЗ НПКЦ ДиТ ДЗМ // URL: https://roc-analysis.mosmed.ai/ ROC analysis tool of Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow City Health Department // URL: https://roc-analysis.mosmed.ai/; Chan H.P., Samala R.K., Hadjiiski L.M., Zhou C. Deep Learning in Medical Image Analysis. Adv. Exp. Med. Biol. 2020; 1213: 3–21. https://doi.org/10.1007/978-3-030-33128-3_1; Litjens G., Kooi T., Bejnordi B.E. et al. A survey on deep learning in medical image analysis. Med. Image Anal. 2017; 42: 60–88. https://doi.org/10.1016/j.media.2017.07.005; Sahiner B., Pezeshk A., Hadjiiski L.M. et al. Deep learning in medical imaging and radiation therapy. Med. Phys. 2019; 46 (1): 1–36. https://doi.org/10.1002/mp.13264; Mazurowski M.A., Buda M., Saha A., Bashir M.R. Deep learning in radiology: An overview of the concepts and a survey of the state of the art with focus on MRI. J. Magn. Reson. Imaging. 2019; 49 (4) : 939–954. https://doi.org/10.1002/jmri.26534; Rahaman M.M., Li C., Yao Y. et al. Identification of COVID-19 samples from chest X-Ray images using deep learning: A comparison of transfer learning approaches. J. Xray Sci. Technol. 2020; 28 (5): 821–839. https://doi.org/10.3233%2FXST-200715; Arias-Garzón D., Alzate-Grisales J.A., Orozco-Arias S. et al. COVID-19 detection in X-ray images using convolutional neural networks. Mach. Learn Appl. 2021; 6: 100–138. https://doi.org/10.1016/j.mlwa.2021.100138; Morozov S.P., Vladzymyrskyy A.V., Klyashtornyy V.G. et al. Clinical acceptance of software based on artificial intelligence technologies (radiology). arXiv preprint arXiv:1908.00381. 2019. https://doi.org/10.48550/arXiv.1908.00381; https://medvis.vidar.ru/jour/article/view/1332

الاتاحة: https://medvis.vidar.ru/jour/article/view/1332
https://doi.org/10.24835/1607-0763-1243

المؤلفون: Чудинов А. А., Борисов Б. В., Чудинов А. А., Борисов Б. В.

المصدر: Конструкция, прочность и технология производства летательных аппаратов : тез. докл. обл. юбил. науч.-техн. конф., посвящ. 60-летию Великой Окт. соц. революции (сент.1977 г.). - Текст : электронный

جغرافية الموضوع: фильтры сжатия радиоимпульсов, амплитудно-частотная характеристика фильтра, встречно-штыревые преобразователи, поверхностные акустические волны (ПАВ)

Relation: RU\НТБ СГАУ\545762; Чудинов, А. А. Конструирование и технологические особенности фильтра сжатия радиоимпульсов на поверхностных акустических волнах / А. А. Чудинов, Б. В. Борисов // Конструкция, прочность и технология производства летательных аппаратов : тез. докл. обл. юбил. науч.-техн. конф., посвящ. 60-летию Великой Окт. соц. революции (сент.1977 г.) / Куйбышев. обл. совет науч.-техн. о-в, Куйбышев. авиац. ин-т им. С. П. Королева, Куйбышев. обл. дом техники науч.-техн. о-в. - Куйбышев, 1977. - С. 142.; http://repo.ssau.ru/handle/KONSTRUKCIYa-PROChNOST-I-TEHNOLOGIYa/Konstruirovanie-i-tehnologicheskie-osobennosti-filtra-szhatiya-radioimpulsov-na-poverhnostnyh-akusticheskih-volnah-108301

الاتاحة: http://repo.ssau.ru/handle/KONSTRUKCIYa-PROChNOST-I-TEHNOLOGIYa/Konstruirovanie-i-tehnologicheskie-osobennosti-filtra-szhatiya-radioimpulsov-na-poverhnostnyh-akusticheskih-volnah-108301