ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ ПОИСКА ОБЛАСТЕЙ ИНТЕРЕСА В ТРЕХМЕРНЫХ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЯХ

Цель исследования – реализация программного комплекса для организации исследований по поиску областей интереса в трехмерных медицинских изображениях и реконструкции морфологического субстрата и его апробация на примере анализа большого объема модельных МРТ-снимков.

Материал и методы. Программный комплекс апробирован на модельных МРТ-снимках головного мозга, содержащих морфологический субстрат (проявление патологии – рассеянного склероза в тяжелой стадии), предоставляемых ресурсом BrainWeb. Технологический стек, выбранный для реализации предложенной схемы, базируется на кроссплатформенных решениях: для организации долговременного хранилища данных и поддержания информации в согласованном состоянии использована система управления базами данных MariaDB (open-source ветвь MySQL) и процедурное расширение SQL. Для автоматизации рутинных инфраструктурных задач использован Python версии 2.7. Расчетный модуль написан на языке программирования Java 7 с использованием библиотеки классов SpringFramework 3 и MongoDB как средства обмена данными между узлами в кластере. Версионирование кодовой базы основано на git, в качестве сборщика использован Maven 3.

Результаты. Полученные при тестировании программы в инфраструктуре кафедры медицинской и биологической кибернетики СибГМУ результаты исследований доказывают принципиальную возможность применения технологии автоматизированного поиска областей интереса и реконструкции морфологического субстрата в трехмерных изображения МРТ на основе обобщенного анализа различий между референтной и оцениваемой группой снимков.

1. Стромов Г.Г., Фокин В.А., Евтушенко Г.С. Интегральная оценка трехмерных биомедицинских изображений с использованием технологии распределенных вычислений // Биотехносфера, 2012. № 3–4. С. 68–72.

2. Фокин В.А. Технология интегральной оценки состояния биомедицинских систем // Системы управления и информационные технологии. 2008. № 1.1 (31). С. 191–194.

3. URL: http://brainweb.bic.mni.mcgill.ca/brainweb/ (дата обращения: 07.01.2014).

4. Shi and Zhang. Fast network centrality analysis using GPUs // BMC Bioinformatics. 2011. 12. 149.

5. Blazewicz et al. Protein alignment algorithms with an efficient backtracking routine on multiple GPUs // BMC Bioinformatics. 2011. 12. 181.

6. Scharfe et al. Fast multi-core based multimodal registration of 2D cross-sections and 3D datasets // BMC Bioinformatics. 2010. 11. 20.

7. Shi et al. Parallel mutual information estimation for inferring gene regulatory networks on GPUs // BMC Research Notes. 2011. 4. 189.

8. Zhang et al. Developing a multiscale, multi-resolution agent-based brain tumor model by graphics processing units // Theoretical Biology and Medical Modelling. 2011. 8. 46.

9. Wan et al. High-performance blob-based iterative three-dimensional reconstruction in electron tomography using multi-GPUs // BMC Bioinformatics. 2012. 13 (Suppl 10). S4.

10. Bisset et al. High-performance biocomputing for simulating the spread of contagion over large contact networks // BMC Genomics. 2012. 13 (Suppl 2). S3.

11. Su et al. Parallel-META: efficient metagenomic data analysis based on high-performance computation // BMC Systems Biology. 2012. 6 (Suppl 1). S16.

12. Lewis et al. Hydra: a scalable proteomic search engine which utilizes the Hadoop distributed computing framework // BMC Bioinformatics. 2012. 13. 324.

13. Taylor. An overview of the Hadoop/MapReduce/HBase framework and its current applications in bioinformatics // BMC ioinformatics. 2010. 11 (Suppl 12). S1.

14. Srinivasan A., Faruquie T., Joshi S. Data and task parallelism in ILP using MapReduce // Machine Learning. 2012. 86. 141–168.

15. Griffith et al. Scenario driven data modelling: a method for integrating diverse sources of data and data streams // BMC Bioinformatics. 2011. 12 (Suppl 10). S17.

16. Saxena et al. Implementation of a secure genome sequence search platform on public cloudleveraging open source solutions // Journal of Cloud Computing: Advances, Systems and Applications. 2012. 1. 14.

17. Borozan et al. CaPSID: A bioinformatics platform for computational pathogen sequence identification in human genomes and transcriptomes // BMC Bioinformatics. 2012. 13. 206.

18. Llado X. et al. Automated detection of multiple sclerosis lesions in serial brain MRI // Neuroradiology. 2012. Vol. 54. P. 787–807.

19. Hakulinen U. et al. Repeatability and variation of region-of-interest methods using quantitative diffusion tensor MR imaging of the brain // BMC Medical Imaging. 2012. 13. 30.

20. Udupa K.J. et al. Multiple sclerosis lesion quantification using fuzzy-connectedness principles // Medical Imaging. 1997. V. 16, Iss. 5. P. 598–609.

21. Wells M. et al. Fully automated segmentation of multiple sclerosis lesions in multispectral MRI // Pattern Recognition and Image Analysis. 2008. V. 18, Iss. 2. P. 347–350.