ISSN 2071-8594

Российская академия наук

Главный редактор

Г.С. Осипов

В.П. Фраленко, М.В. Хачумов, М.В. Шустова "Выделение и когнитивная визуализация трансплантированных мезенхимальных стволовых клеток на снимках магнитно-резонансной томографии"

Аннотация.

Дан анализ современного состояния исследований в области научной визуализации трансплантированных мезенхимальных стволовых клеток на снимках магнитно-резонансной томографии. Предлагается комплекс алгоритмов для решения задач обработки снимков с целью автоматического выделения и прижизненной визуализации стволовых клеток, трансплантированных в головной мозг реципиентов, в качестве которых используются крысы. Предполагается, что этот комплекс ляжет в основу программного обеспечения для врачей-исследователей.

Ключевые слова:

магнитно-резонансная томография, ишемическое поражение, распознавание, визуализация, мезенхимальные стволовые клетки, предварительная обработка, сегментация, фильтрация, сравнительный анализ.

Стр. 10-20.

Полная версия статьи в формате pdf.

Литература

1. Nejadnik H., Castillo R., Daldrup-Link H.E. Magnetic Resonance Imaging and Tracking of Stem Cells // Methods in Molecular Biology. – 2013, 1052: P.167-176.
2. Лызиков А.Н., Осипов Б.Б., Скуратов А.Г., Призенцов А.А. Стволовые клетки в регенеративной медицине: достижения и перспективы // Проблемы здоровья и экологии. – 2015. – №3. – С.4-8.
3. Li Y., Yao Y., Sheng Z., Yang Y., Ma G. Dual-modal tracking of transplanted mesenchymal stem cells after myocardial infarction // International Journal of Nanomedicine. Apr 2011. – P. 815-823.
4. Tang Y. et al. MRI/SPECT/Fluorescent Tri-Modal Probe for Evaluating the Homing and Therapeutic Efficacy of Transplanted Mesenchymal Stem Cells in a Rat Ischemic Stroke Model // HHS Public Access. – 2015. – 23 p.
5. Rabbani H., Javanmard S. H. Image analysis in In Vivo Stem Cell Tracking // Annual Review & Research in Biology. – 2011, 1(4): P.123-142.
6. Kachouie N.N., Fieguth P., Ramunas J., Jervis E. Probabilistic model-based cell tracking // International Journal of Biomedical Imaging. – 2006. – P.1-10.
7. Wählby C., Sintorn I.M., Erlandsson F., Borgefors G., Bengtsson E. Combining intensity, edge and shape information for 2D and 3D segmentation of cell nuclei in tissue sections // Journal of Microscopy. – Jul 2004. Vol. 215. – P.67-76.
8. Дегтярева А.А. Деформируемые модели в задаче локализации объекта на изображении // Материалы X Научно-практического семинара «Новые информационные технологии в автоматизированных системах», 2007 [Электронный ресурс]. URL:
http://graphicon.ru/oldgr/ru/publications/text/nit2007_deg.pdf (дата обращения: 12.01.2017).
9. Zimmer C., Labruyère E., Meas-Yedid V., Guillén N., Olivo-Marin J.C. Segmentation and tracking of migrating cells in videomicroscopy with parametric active contours, a tool for cell-based drug testing // IEEE Transactions on Medical Imaging. – 2002, 21(10): P.1212-1221.
10. Padfield D., Rittscher J., Thomas N., Roysam B. Spatiotemporal cell cycle phase analysis using level sets and fast marching methods // Medical Image Analysis. – 2009, 13(1): P.143-155.
11. Amr Ellabban. Computer Vision for the Analysis of Cellular Activity. University of Oxford, 2014 [Электронный ресурс]. URL: https://www.robots.ox.ac.uk/~vgg/publications/2013/El-Labban13a/ellabban13a.pdf (дата обращения: 12.01.2017).
12. Computational Analysis: A Bridge to Translational Stroke Treatment // Translational Stroke Research. – 2012. – P.881-909. [Электронный ресурс]. URL: https://www.researchgate.net/publication/289516811_Computational_Analysis_A_Bridge_to_Translational_Stroke_Treatment (дата обращения: 12.01.2017).
13. Roy S., Nag S., Maitra I. K., Bandyopadhyay S. K. A Review on Automated Brain Tumor Detection and Segmentation from MRI of Brain // International Journal of Advanced Research in Computer Science and Software Engineering (IJASRCSSE).
– 2013, 3(6). – 41 p.
14. Smita Zol, Dr. R. R. Deshmukh. A Study of Segmentation Methods for Detection of Diseases from Brain MRI // International Journal of Science and Research (IJSR). – Dec 2014. Vol. 3. – P.1959-1963.
15. Фраленко В.П., Хачумов М.В., Шустова М.В. Инструментальные средства автоматического поиска и визуализации зон интереса в данных МРТ для поддержки принятия решений врачей-исследователей // Искусственный интеллект и принятие решений. – 2016. – №4. – С.27-37.
16. Талалаев А.А., Тищенко И.П., Хачумов М.В. Выделение и кластеризация текстовых и графических элементов на полутоновых снимках// Искусственный интеллект и принятие решений. – 2008. – №3. – C.72-84.
17. Фраленко В.П., Хачумов М.В., Шустова М.В. Анализ инструментальных средств обработки и визуализации биомедицинских данных магнитно-резонансной томографии (обзор литературы)//Вестник новых медицинских технологий. – Т.23. – №4. – 2016. – С.307-315.
18. Lafferty, J., McCallum, A., Pereira, F. Conditional random fields: Probabilistic models for segmenting and labeling sequence data // Proc. 18th International Conf. on Machine Learning. – 2001. – P.282-289. [Электронный ресурс].URL:
http://repository.upenn.edu/cgi/viewcontent.cgi?article=1162&context=cis_papers (дата обращения: 12.01.2017).
19. Project X Research | DGM [Электронный ресурс]. URL: http://research.project-10.de/dgm/ (дата обращения: 12.01.2017).
20. Zivkovic Z. Improved Adaptive Gaussian Mixture Model for Background Subtraction // Pattern Recognition, ICPR.– 2004. Vol. 2. – P. 28-31.
21. CSIFT Class Reference [Электронный ресурс]. URL:
http://research.project-10.de/dgm/doc/a00065.html (дата обращения: 12.01.2017).
22. Yedidia, J.S., Freeman, W.T., Weiss Y. Understanding Belief Propagation and Its Generalizations // Exploring Artificial Intelligence in the New Millennium. – Jan 2003.– P.239-236.
23. Фраленко В.П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли // Программные системы: теория и приложения. – 2014. – №4. – С.19-39.