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: V. P. Novik, N. S. Kulberg, K. M. Arzamasov, S. F. Chetverikov, A. N. Khoruzhaya, D. V. Kozlov, E. I. Kremneva, В. П. Новик, Н. С. Кульберг, К. М. Арзамасов, С. Ф. Четвериков, А. Н. Хоружая, Д. В. Козлов, Е. И. Кремнева

المساهمون: Публикация подготовлена при поддержке гранта Российского научного фонда № 22-25-20231, https://rscf.ru/project/22-25-20231/.

المصدر: Medical Visualization; Том 27, № 4 (2023); 150-158 ; Медицинская визуализация; Том 27, № 4 (2023); 150-158 ; 2408-9516 ; 1607-0763

مصطلحات موضوعية: DICOM, medical images, convolutional neural networks, Tesseract, data anonymization, медицинские изображения, свёрточные нейронные сети, анонимизация данных

وصف الملف: application/pdf

Relation: https://medvis.vidar.ru/jour/article/view/1263/816; dicomstandard.org [Internet]. Dicom standard: Current Edition [cited 2022 Aug 27]. Available from: https://www.dicomstandard.org/current.; Aryanto K.Y.E., Oudkerk M., van Ooijen P.M.A. Free dicom de-identification tools in clinical research: functioning and safety of patient privacy. Eur. Radiol. 2015; 25 (12): 3685–3695. http://doi.org/10.1007/s00330-015-3794-0; Daye D., Wiggins W.F., Lungren M.P. et al. Implementation of Clinical Artificial Intelligence in Radiology: Who Decides and How? Special Rep. Radiol. 2022; 305 (1): E62. http://doi.org/10.1148/radiol.229021; dclunie.com [Internet]. David Clunie's Medical Image Format Site: Dicomcleaner [cited 2022 Aug 23]. Available from: http://www.dclunie.com.; Cook T.S., Zimmerman S.L., Steingall S.R. et al. Radiance: An automated, enterprise-wide solution for archiving and reporting ct radiation dose estimates. Radiographics. 2011; 31 (7): 1833–1846. http://doi.org/10.1148/rg.317115048; Vcelak P., Kryl M., Kratochvil M., Kleckova J. Identification and classification of dicom files with burned-in text content. Int. J. Med. Inform. 2019; 126: 128–137. http://doi.org/10.1016/j.ijmedinf.2019.02.011.; Monteiro E., Costa C., Oliveira J.L. A de-identification pipeline for ultrasound medical images in dicom format. J. Med. Syst. 2017; 41 (5): 89. http://doi.org/10.1007/s10916-017-0736-1.; Kin G., Tsui W., Chan T. Automatic selective removal of embedded patient information from image content of dicom files. Am. J. Roentgenol. 2012; 198 (4): 769–772. http://doi.org/10.2214/AJR.10.6352; Smith R. An overview of the Tesseract OCR engine. Proc. in Int. Conference on Document Analysis and Recognition (ICDAR). 2007; 629–633. http://doi.org/10.1109/ICDAR.2007.56; Левенштейн В. Двоичные коды с исправлением выпадений, вставок и замещений символов. Доклады АН СССР. 1965; 163: 845–848.; Schulz K., Mihov S. Fast string correction with levenshtein automata. IJDAR. 2002; 5: 67–85. http://doi.org/10.1007/s10032-002-0082-8; github.com [Internet]. Center of Diagnostics and Telemedicine. Find Anomalies in Tomography. Medical images markup system [cited 2022 Aug 3]. Available from: https://github.com/Center-of-Diagnostics-andTelemedicine/FAnTom.; Mason D. SU-E-T-33: Pydicom: An Open Source DICOM Library. Medical Physics. 2011; 38 (6, Part 10): 3493–3493. ttp://doi.org/10.1118/1.3611983; Bradski G. The OpenCV Library. Dr Dobb's Journal of Software Tools. 2000.; 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. Digital Diagnostics. 2021; 2 (1): 49–66. http://doi.org/10.17816/DD60635; Morozov S.P., Gombolevskiy V.A., Elizarov A.B. et al. A simplified cluster model and a tool adapted for collaborative labeling of lung cancer CT scans. Comput. Methods Programs Biomed. 2021; 206: 106–111. http://doi.org/10.1016/j.cmpb.2021.106111.; О персональных данных: [федер. закон: принят Гос. Думой 8 июля. 2006 г.: по состоянию на 2 июля 2021 г.].; https://medvis.vidar.ru/jour/article/view/1263

الاتاحة: https://medvis.vidar.ru/jour/article/view/1263
https://doi.org/10.24835/1607-0763-1263

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: K. M. Arzamasov, S. S. Semenov, D. Yu. Kokina, T. M. Bobrovskaya, N. A. Pavlov, Y. S. Kirpichev, A. E. Andreychenko, A. V. Vladzymyrskyy

المصدر: Meditsinskaya Fizika. 96:56-63

URL الوصول: https://explore.openaire.eu/search/publication?articleId=doi_________::62aa1addca4c0a835fa8369892fa52d4
https://doi.org/10.52775/1810-200x-2022-96-4-56-63

المؤلفون: A. E. Andrejchenko, V. A. Gombolevskij, Ju. S. Kirpichev, V. S. Zhivodenko, Sergey Morozov, S. O. Ermolaev, A.V. Vladzymyrskyy, E. A. Balanjuk, V. A. Nuzhdina, O. V. Omeljanskaja, A. V. Slepushkina, N. V. Ledikhova, K. M. Arzamasov, V. G. Rakovchen, T. A. Logunova, I. M. Idrisov

المصدر: Vrach i informacionnye tehnologii. :14-23

مصطلحات موضوعية: medicine.medical_specialty, Computer science, medicine, Medical physics

URL الوصول: https://explore.openaire.eu/search/publication?articleId=doi_________::bef7d8ab75e6846c845027b06f4eca66
https://doi.org/10.37690/1811-0193-2020-4-14-23