Тезисы докладов

Вид материала

Подобный материал:

1 ... 29 30 31 32 33 34 35 36 ... 78

МЕТОД СЖАТИЯ КОМПЬЮТЕРНЫХ ТОМОГРАММ

БЕЗ ИСКАЖЕНИЙ

Н.А.Кузнецов¹⁾, Д.В.Сушко²⁾, Ю.М.Штарьков²⁾

¹⁾Институт радиотехники и электроники РАН, Москва

²⁾Институт проблем передачи информации РАН, Москва

В настоящее время в мире накоплен (и продолжает быстро увеличиваться) огромный объем данных томографических исследований, широко используемых в медицине для диагностики, планирования лечения и т.д. Одним из распространенных видов томографических данных являются компьютерные томограммы, которые получены в результате исследований, проводимых на рентгеновском томографе, и представляют собой полутоновые изображения размером 512x512 и глубиной 12 бит/пиксель. Одно томографическое исследование может включать сотни таких изображений, а объем соответствующих данных может доходить до 100 MB. Необходимость обеспечить долгосрочное хранение (архивацию) данных, обмен данными и удаленный доступ к ним обусловливает исключительную важность задачи сжатия томографических данных. Имеющиеся методы, алгоритмы и реализованные на их основе программы сжатия изображений ориентированы в первую очередь и главным образом на сжатие изображений типа цветных фотографий, поэтому разработка новых эффективных методов сжатия представляется весьма актуальной задачей.

Разработанный метод сжатия томографических изображений без искажений основан на применении универсального арифметического кодирования. Главная задача, успешно решенная в ходе работы, — адаптация методов универсального кодирования к конкретному типу данных. В качестве статистической модели «источника изображений» выбрана модель источника с вычислимой последовательностью состояний. Частичная декорреляция отсчетов томограммы достигается за счет перехода к ошибкам предсказания. Кардинальное сокращение числа неизвестных параметров модели достигается за счет объединения состояний в обобщенные состояния в соответствии с определенными критериями. (Это увеличивает сжатие, несмотря на уменьшение точности статистического описания данных.) Построение кодовых вероятностей для значений ошибок предсказания в данном обобщенном состоянии осуществляется следующим образом. Все множество значений делится на диапазоны. Внутри каждого диапазона относительные частотные вероятности значений аппроксимируют простыми известными аналитическими функциями, а частотные вероятности диапазонов описывают равномерными кодами в преамбуле (т.е. используют простейший вариант комбинаторного кодирования).

Ключевые составляющие метода, связанные с универсальным кодированием, реализованы в виде алгоритмов. На материале Отделения лучевой диагностики Клиники препедевтики внутренних болезней им. В.Х.Василенко (томограф HiSpeed CT/i компании General Electric) проведены численные эксперименты, цель которых состояла в нахождении оптимальных параметров метода для различных типов компьютерных томограмм и нахождении соответствующих оценок для скорости кодирования. Полученные значения скорости кодирования для томограмм легких, брюшной полости и мозга находятся в пределах 3.9–4.3, 4.4–4.9 и 6.1–6.4 бит/пиксель, соответственно. При этом скорость кодирования каждой конкретной томограммы превышает минимально возможную скорость кодирования данной томограммы при выбранном способе построения обобщенных состояний не более чем на 0.1 бит/пиксель.

Разработанный метод может с успехом применяться для сжатия других видов томограмм (например, МРТ), а также, возможно, после некоторых модификаций, для других типов медицинских данных.

РАЗРАБОТКА МЕТОДОВ ОЦЕНКИ ЭФФЕКТИВНОСТИ КОНТРОЛЯ

И ПРОГНОЗА ЗАБОЛЕВАЕМОСТИ ТУБЕРКУЛЁЗОМ В РОССИИ

Г. И. Марчук¹⁾, А.А. Романюха¹⁾, К.К. Авилов¹⁾, О.А. Мельниченко²⁾

¹⁾Институт вычислительной математики РАН, Москва

²⁾Факультет вычислительной математики и кибернетики, МГУ, Москва

Оценка эффективности процессов выявления и лечения больных туберкулезом основывается на оценке числа заболевших в популяции в единицу времени. Эту величину можно прямо измерить, однако поголовное выявление всех заболевших достаточно трудоемко, требует больших затрат и возможно только при определенных условиях

Для оценки реальной заболеваемости мы предлагаем подход, использующий методы математического моделирования и анализа данных. Этот подход основывается на разработанных нами модели эпидемиологии туберкулеза [1], модели выявления больных, методе оценки параметров моделей по реальным данным [2], методе оценки влияния социально-экономических факторов на динамику эпидемического процесса [3].

Анализ данных для 14 регионов Центрального федерального округа РФ позволил получить оценки параметров эпидемического процесса соответствующие каждому региону. Эти данные позволили оценить зависимость характеристик эпидемического процесса от социально- экономических характеристик региона и качества работы системы здравоохранения. Полученные зависимости позволили построить прогноз заболеваемости и распространенности туберкулеза для каждого региона при положительном и негативном сценариях развития.

Расчеты показали, что уровень заболеваемости и распространенности туберкулеза в разных регионах при одинаковых сценариях развития меняется существенно по-разному: в одних регионах при улучшении социально-экономических характеристик региона и качества работы системы здравоохранения показатели улучшаются, в других практически не меняются.

Анализ чувствительности решений модели показал, что можно выделить два типа эпидемиологических процессов: вариант с доминированием активации эндогенной инфекции (Ярославская обл.) и смешанный вариант в котором вклад процесса инфицирования взрослых людей сопоставим с вкладом эндогенной активации (Тульская обл.) [4].

Полученные результаты показывают, что эффективная стратегия противотуберкулезных мероприятий в разных регионах может существенно зависеть от скрытых характеристик эпидемического процесса.

M.I. Perelman, G.I. Marchuk et al. Tuberculosis epidemiology in Russia: the mathematical model and data analysis. Russ. J. Nurner. Anal. Math. Modelling (2004) 19, № 4, 305-314.
Авилов К.К., Романюха А.А. 2007. Математическое моделирование процессов распространения туберкулеза и выявления больных. Автоматика и Телемеханика. № 9, стр. 145-160.
Melnichenko O.A., Romanyukha A.A. 2008. A model of tuberculosis epidemiology: estimation of parameters and analysis of factors influencing the dynamics of an epidemic process. Russian J of Numerical Analysis and Mathematical Modelling, Vol. 23, No.1 pp. 63-75.
Мельниченко О.А., Романюха А.А. Модель эпидемиологии туберкулеза. Анализ данных и оценка параметров. Математическое моделирование, 2008, том 20, № 8, стр. 97-118.

Blog