1. ВВЕДЕНИЕ
   • Актуальность темы
   • Цели и задачи работы
   • Научная новизна и практическая ценность
2. ОБЗОР ПО ТЕМЕ
   • Локальный обзор
   • Национальный обзор
   • Мировой обзор
3. ПОЛУЧЕННЫЕ И ПЛАНИРУЕМЫЕ РЕЗУЛЬТАТЫ
4. ЗАКЛЮЧЕНИЕ И ВЫВОДЫ
5. СПИСОК ССЫЛОК

    Церебральная патология занимает одно из ведущих мест в структуре смертности и инвалидизации населения, что определяет ее как одну из важнейших медицинских и социальных проблем [1].

     Наиболее распространенным типом инсульта является ишемический инсульт, частота которого составляет 80%, в 4 раза реже встречается геморрагический. Инфаркт мозга отличается этиопатогеннетической гетерогенностью, основными причинами его являются атеросклеротические поражения магистральных артерий головы (МАГ), кардиогенные эмболии, артериальная гипертония. [1].

    У больных со стенозом сонных артерии менее 70% гемодинамические нарушения не столь значительны и не являются ведущей причиной возникновения острого нарушения мозгового кровообращения. Инсульты в таких случаях развиваются в результате артерио-артериальной эмболии из распадающейся атеросклеротической бляшки (АБ) в устье внутренних сонных артерий. Соответственно актуальным вопросом является точная и своевременная диагностика источника таких эмболии - оценка состояния атеросклеротической бляшки. В настоящее время полноценного ультразвукового исследования с использованием неинвазивной визуализации сосуда высоко-разрешающим ультразвуковым сканером в В-режиме может оказаться достаточным для уточнения диагноза и показаний к оперативному лечению у больных с ишемическим поражением головного мозга. [1].

1.2 Цели и задачи работы

    Целью магистерской работы является построение специализированной компьютерной системы для оценки состояния атеросклеротической бляшки с целью выявления степени ее эмбологенности на основании результатов ультразвукового исследования в режиме допплерографического измерения скорости кровотока и В-режиме сканирования.

    В соответствие с целями магистерской работы были поставлены следующие задачи, с решением которых придется столкнуться при реализации СКС:

• выбор оптимального набора значимых количественных признаков УЗ изображения, позволяющих судить об эмбологенности атеросклеротической бляшки (например, на основе статистического анализа – корреляции или на основе метода анализа главных компонентов);

• выбор методов предварительной обработки УЗ изображения для увеличения разрешающей способности рассчитываемых количественных признаков;

• выбор оптимального классификатора с точки зрения точности выполняемой классификации, возможности экстраполирования решения на новые образы, скорости работы, скорости обучения (для нейронных сетей), необходимого объема памяти, представления входных и выходных данных (в двоичном виде, в виде непрерывных значений, в виде вероятностных оценок).

    Задачи, решаемые при функционировании разрабатываемой СКС:

1. Получение исходного полутонового ультразвукового изображения атеросклеротической бляшки с УЗ сканнера с высокой разрешающей способностью.

2. Предварительная обработка изображения (линеаризация гистограммы изображения, фильтрация).

3. Ручное (либо автоматическое) оконтуривание формы атеросклеротической бляшки.

4. Расчет текстурных признаков выделенной структуры, получение N-мерного вектора текстурных признаков.

5. Применение классификатора для идентификации типа атеросклеротической бляшки (симптотическая – т.е. с повышенным риском разрыва и наступления эмболии, либо асимптотическая). Входными данными служит полученный на предыдущем шаге N-мерный вектор текстурных признаков.

     Алгоритм работы разрабатываемой компьютерной системы проиллюстрирован в виде анимации, см. ниже. Первый кадр показывает ультразвуковое изображение просвета сосуда и атеросклеротическую бляшку, находящуюся на нижней стенке сосуда. Второй кадр показывает оконтуренную бляшку и процесс извлечения из выделенного фрагмента на УЗ изображении статистических и текстурных признаков. Третий кадр показываеь, что извлеченные признаки подаются на вход вероятностной нейронной сети, служащей классификатором. Четвертый кадр показывает результат работы сети - вероятностную оценку принадлежности бляшки к одному из двух типов.

    Задачи, решаемые при «обучении» разрабатываемой СКС:

1. Получение исходного обучающего множества полутоновых ультразвуковых изображений атеросклеротической бляшки с УЗ сканнера с высокой разрешающей способностью.

2. Отнесение каждого изображения АБ к определеному классу АБ при участии эксперта.

3. Предварительная обработка всех изображений (линеаризация гистограммы изображения, фильтрация).

4. Ручное (либо автоматическое) оконтуривание формы атеросклеротической бляшки.

5. Выбор текстурных признаков выделенной структуры АБ.

6. Выбор классификатора и разделение исходного множества векторов текстурных признаков на первичные классы (в случае отсутствия априорных знаний эксперта) – т.е. «обучение» классификатора.

7. Проверка работоспособности СКС на проверочном множестве. В случае неудовлетворительных результатов – повторение пп.5-7.

1.3 Научная новизна и практическая ценность

    В настоящее время в клинической практике используется субъективная оценка врача для принятия решения об опасности атеросклеротического поражения сосуда. В случае превышения стеноза артерии атеросклеротической бляшкой более 70% принимается решение о хирургическом вмешательстве с целью ее удаления. Однако опасность отрыва бляшки от сосуда, либо ее разрыва существует и при стенозе менее 70%. Практическая ценность разрабатываемой СКС заключается в определении опасности эмболии при стенозе менее 70%, в выявлении неустойчивых, склонных к разрыву бляшек, что поможет врачу в постановке диагноза.

    Область применения разрабатываемой специализированной компьютерной системы включает неинвазивную инструментальную диагностику, направленную на: 1) раннее выявление эмбологенных атеросклеротических поражений церебральных артерий на различных клинических этапах; 2) идентификацию симптоматических и асимптоматических АБ.

    Тема магистерской работы не является абсолютно новой в своей предметной области. Цель построения компьютерной системы для диагностики эмбологенности атеросклеротической бляшки возникла давно и есть большое количество исследований и разработок других специалистов в этой области. Однако, в данной СКС будет проводиться интегральный анализ целого комплекса критериев, рассчитываемых в ходе ультразвукового обследования, для постановки конечного диагноза о риске развития эмболии. Каждый из этих критериев в отдельности является в некоторой степени информативным для постановки диагноза. Логично предположить, что анализ совокупности этих критериев только увеличит их информативность. Для анализа набора критериев предложена вероятностная нейронная сеть, а также сеть Кохонена для «разведки» пространства критериев на начальных этапах работы.

    Полученные результаты могут иметь большое значение для принятия решений об операция каротидной эндартерэктомии (КЭАЭ) – хирургическом вмешательстве с целью удаления «опасной», неустойчивой АБ.

II. ОБЗОР ПО ТЕМЕ

2.1 Локальный обзор

    Тематика, посвященная методам диагностики сосудистых заболеваний, присутствует в публикациях проф., д.т.н. Скобцова Ю.А. и его научной школы - [2],[3],[4],[5],[6].

    Методы анализа ультразвуковых изображений с использованием различных текстурных признаков и с применением искусственных нейронных сетей рассматриваются в статьях:

• «Проведение текстурного анализа ультразвуковых изображений с применением нейронных сетей», В.Г. Адамов, М.В. Привалов, Сборник докладов Всеукраинской научной конференции «Нейросетевые технологии и их применение», 2002 г.[7];

• «Текстурный анализ ультразвуковых эхограмм в информационно-диагностической системе», В.Г. Адамов, М.В. Привалов, ДонНТУ, 2002 [8].

     Также на локальном уровне магистратуры похожая тематика либо применяемые методы присутствует в работах:

• магистерская работа «Проектирование специализированной компьютерной системы диагностики жировой эмболии» магистр ДонНТУ Гарипов Ильдар Ильдарович [9];

• магистерская работа «Разработка специализированной компьютерной системы моделирования гемодинамической структуры артериального русла человека» магистр ДонНТУ Чвала Алексей Алексеевич [10];

• магистерская работа «Разработка автоматизированной системы распознавания текстур изображений с помощью методов, инвариантных к изменению угла поворота и масштаба» магистр ДонНТУ Варшавская Мария Семеновна [11].

2.2 Национальный обзор

    На национальном уровне в области исследуемого вопроса есть работы следующих авторов:

• «Атеросклероз и атеротромбоз: патогенез, клинические проявления, лечение», Волков Владимир Иванович, профессор, Заведующий отделом атеросклероза и его осложнений Института терапии АМН Украины [12];

• М.И. Лутай, А.Н. Ломаковский, Р.Ф. Абуталипов, И.П. Голикова (Институт кардиологии им. Н.Д. Стражеско АМН Украины, г. Киев) «Морфологическая характеристика нестабильных атеросклеротических поражений венечных артерий сердца». Цель данного исследования – выявление морфологических особенностей нестабильных атеросклеротических поражений венечных артерий у больных с ишемической болезнью сердца [13];

• А.В. Гудзикевич (Медицинский реабилитационный центр «Жемчужина» ГТС Украины, г.Ялта), В.А.Ежов (Лечебно-диагностический центр ОАО «Эксимнефтепродукт», г. Одесса) «Ультразвуковая диагностика микроэмболов в сосудистой патологии головного мозга». Цель работы: оценить возможности транскраниального цветового дуплексного сканирования (ТКДС) в выявлении микроэмболов и обратить внимание специалистов на феномены микроэмболических сигналов [14];

• Лущик Ульяна Богдановна, доктор медицинских наук, научный руководитель и генеральный директор научно-методического центра ультразвуковой диагностики «Истина». Разработан «Способ ультразвуковой диагностики состояния сосудов головного мозга» – патент Госпатента Украины №10262А от 19.07.95 [15];

• профессор В.Гонгальский, Клиника вертеброневрологии. Система диагностики состояния стенок сосудов человека и их предрасположенности к развитию таких видов патологии как атеросклероз, гипертония, нарушение сократимости сосудов, патология их проницаемости [16].

2.3 Мировой обзор

    На мировом уровне в области исследуемого вопроса на данный момент существуют работы по классификации атеросклеротических бляшек по данным ультразвукового исследования в В-режиме, выполненные Reilly L.M. et al. (1983) [17] и Gray-Weale A.C. et al. (1988) [18]. Эти работы лежат в основе всех имеющихся на сегодняшний день классификаций. В работах [19], [20], [21] приведены исследования с целью выяснения других ультразвуковых критериев классификации атеросклеротической бляшки и выявления ее эмбологенности, помимо критериев, описанных в [17] и [18].

    В работе Marie-Louise M. Gronholdt [22] приведено сопоставление результатов ислледований разных авторов, изучавших связи между значениями ультразвуковых критериев, таких как низкая или высокая эхогеннсть, гомогенность или гетерогенность атеросклеротической бляшки, среднее значение яркости ультразвукового изображения, и риском возникновения симптоматических признаков у больных (транзиторных ишемических атак – ТИА, остаточных явлений завершенного инсульта – ЗИ), связанного с риском развития эмболии.

    В работе [23] приводится применение классификаторов на основе машины опорных векторов (МОВ) и вероятностных нейронных сетей (ВНН) для осуществления классификации атеросклеротических бляшек на два типа – асимптоматические и симптоматические, используя при этом морфологические признаки АБ. В работе [24] было показано, что параметры, рассчитанные на основании текстурных признаков матрицы совместной встречаемости уровней яркости, позволили лучше всего разделить атеросклеротические бляшки на два класса (% правильной классификации составил 72.2%).

     В исследовании [25], проводившемся в Кемеровском кардиологическом центре с 1995 по 1999 г. (было обследовано 75 пациентов с атеросклеротическими стенозами внутренней сонной артерии, среди которых преобладали мужчины (81,3%), в среднем возрасте 58,2+/-1,9 года) было показано, что клинические проявления ишемии мозга при атеросклеротическом стенозе внутренней сонной артерии имеют четкую корреляцию с эхоморфологией атеросклеротической бляшки, что указывает на ведущую роль механизма артериальной эмболии в патогенезе развития церебральной ишемии. Сделанные выводы: выявленный методом дуплексного сканирования характер бляшки («мягкая», плотная, гетерогенная) позволяет судить о риске разрыва бляшки.

     Исследование корреляции между средним значением яркости (MPV) УЗ изображения атеросклеротической бляшки и ее гистологической структурой описывается в работе [26]. Было обследовано 17 пациентов (15 мужчин, 2 женщины, средний возраст 65 лет) - проведено УЗ обследование на аппарате дуплексного сканирования Acuson, который был предварительно настроен (установка параметров препроцессинга, постпроцессинга, параметров «overall gain», «log compression» и других была произведена таким образом, чтобы УЗ аппарат сильнее всего различал разные типы тканей – на основании расчета специально разработанного индекса HID).

     Полученные УЗ изображения были обработаны для подсчета среднего значения яркости (MPV – Mean Pixel Value). Полученные результаты показывают, что при анализе полутонового УЗ изображения бляшки при помощи признака MPV можно определить состав этой бляшки («мягкий», фибрино-кальцинированный или промежуточный), что позволит в свою очередь отнести АБ либо к симптоматическому классу (связанному с повышенным риском тромбоэмболии), либо к асимптоматическому (риск тромбоэмболии низкий), что подтверждается и другими исследованиями, см.таблицу 1 [22]:

Таблица 1 – Классификация морфологии АБ в связи с риском неврологических симптомов (разрыва бляшки).[22]

III. ПОЛУЧЕННЫЕ И ПЛАНИРУЕМЫЕ РЕЗУЛЬТАТЫ

    На данном этапе разработки СКС получены следующие результаты по теме, связанные с выбором анализируемых по УЗ изображению количественных текстурных признаков, позволяющих наилучшим образом разделить различные классы атеросклеротических бляшек в зависимости от их эмбологенности, и выбором классификатора для определения типа атеросклеротической бляшки.

1. Выбор текстурных признаков

    Для большинства естественных изображений лишь небольшой набор признаков является информативным, причем он различен для каждой отдельной задачи, стоящей перед исследователем. Поэтому возникает задача адаптивного выбора наиболее информативных признаков. В задачах классификации абсолютное значение признака не важно, существенно то, что оно разное для соседних классов и образует ярко выраженную гиперсферу разделения классов. [27].

    На основе результатов, которые были продемонстрированы в выше приведенных исследованиях, было сделано заключение, что для объективной классификации АБ как склонной к разрыву, необходимо использовать критерии, учитывающие все возможные комбинации гистологической структуры бляшки, т.е. в рассмотрение следует включить такие признаки:

• среднее значение яркости (классификация по гипо- гиперэхогенности) (в формуле при к=1):

  

• среднеквадратическое отклонение среднего значения яркости и вычисленное на его основе значение описателя относительной равномерности (гладкости) изображения (R):

  

• минимальное значение яркости (контрольная точка просвета сосуда);
• максимальное значение яркости (контрольная точка адвентиции);
• энтропия:

         E = - SUM[p(z_i)*log₂p(z_i)],              i = 0, ... L-1

       Удобной мерой, характеризующей поведение случайной величины (через ее закон распределения) от строгой детерминированности до полной «хаотичности», является энтропия. Ее применение особенно полезно в случаях асимметричных и/или многовершинных распределений, когда использование таких числовых характеристик, как среднее значение, среднеквадратическое отклонение и моменты высших порядков, теряет всякую наглядность. [27].

• статистики различия градаций серого (GLDS – Gray Level Difference Statistics) - контраст (CON) и второй угловой момент (ANSM):

  

  

• описатели, вычисленные на основе матрицы совместной пространственной встречаемости уровней яркости (SGLD – Spatial Gray Level Dependence):

  

  

  

       Выражение T1 описывает угловой второй момент, являющийся мерой однородности текстуры. Формула T2 определяет контраст изображения. Контраст является дифференциальным моментом матрицы совместной встречаемости и дает количественную оценку локальных изменений яркости, присутствующих на изображении. Параметр, заданный по T3 - это корреляция, являющаяся мерой присутствия полутоновой линейной зависимости на изображении. Параметр Т4 – выражение энтропии для матрицы SGLDM - текстурный признак для классификации бляшки по гомо- и гетероэхогенности.

• индекс спектрального расширения SBI, который является показателем турбулентности потока крови в области локализации бляшки:

  

  где: PS – пиковая систолическая скорость; TAMn – усредненная по времени средняя по мощности скорость.

       В статье [19] было показано, что разрыв покрышки бляшки часто связан с физической нагрузкой, усилением сердечных сокращений, растяжением стенки сосуда. Поэтому, логично предположить, что риск разрыва бляшки также увеличивается при увеличении турбулентности (нестабильности) потока крови в области локализации бляшки.

       Для выбора конкретного набора признаков требуется выполнить исследования их разрешающей способности при обработке ультразвуковых снимков для классификации и во время самой классификации, а также их быстродействия. Так, в работе [24] было показано, что параметры, рассчитанные на основании текстурной матрицы (SGLDM – Spatial Gray Level Dependence Matrices), позволили лучше всего классифицировать (разделить) атеросклеротические бляшки на два класса (% попадания составил 72.2%). В качестве меры, показывающей способность признаков различать 2 класса, может быть использовано следующее выражение:

  

       Чем больше получаемое значение, тем лучше данный критерий (признак) разделяет 2 класса изображений между собой.

       Выбор конкретного набора признаков, как наиболее различающего и оптимального, требует выполнения экспериментальных исследований, что я планирую осуществить во время преддипломной практики.

2. Выбор классификатора

• Случай, когда априорные знаний о принадлежности векторов текстурных признаков обучающего множества к определенному классу ЕСТЬ

     Для задачи классификации структуры атеросклеротической бляшки по выделенным текстурным признакам в простейшем случае можно использовать статистический классификатор KNN – «k-ближайших соседей». Для классификации нового образца (т.е. вектора текстурных признаков) отыскиваются k образцов из обучающего множества, которые находятся ближе всего к классифицируемому образцу по определнному критерию (им чаще всего выступает Эвклидовое расстояние между векторами признаков). Новый образец классифицируется по наиболее часто встречаемому классу среди его «k ближайших соседей». Подстраиваемый параметр – k – может принимать значения = 1, 3, 5, 9.

    Другой способ при наличии учителя - использование искусственной НС обратного распространения, обучаемой с учителем. Веса НС подстраиваются таким образом, чтобы разделять заранее известные классы.

• Случай, когда априорных знаний о принадлежности векторов текстурных признаков обучающего множества к определенному классу НЕТ

     В этом случае, когда априорных знаний о принадлежности векторов текстурных признаков обучающего множества к определенному классу НЕТ, требуется сначала разделить исходное множество векторов на кластеры в N-мерном пространстве, где N – размерность векторов признаков. Для этой задачи подходят искусственные НС, обучаемые без учителя – сети Кохонена и наращиваемые самоорганизующиеся структуры – incremental self-organizing feature maps [28], рис.1:

Рисунок 1 - Наращиваемая самоорганизующаяся нейронная сеть

     НС наращиваемой самоорганизующийся структуры является более гибкой и адаптивной, чем сеть Кохонена, т.к. количество необходимых для классификации кластеров определяется во время обучения, а не задается до начала обучения. Когда новый обучающий вектор Х (х1, …, хN) поступает на входы НС, вычисляются Эвклидовые расстояния между ним и всеми нейронами второго слоя. Выбирается минимальной расстояние. Если оно будет больше, чем ПОРОГ РАЗЛИЧИЯ между векторами одного класс, то создается новый нейрон, который будет представлять НОВЫЙ КЛАСС. ПОРОГ РАЗЛИЧИЯ определяется как [28]:

(N – размерность вектора; М – количество обучающих векторов; mj – среднее значение признака j)

     При обучении может производиться подстройка весов не только «выигрывшего» нейрона, но и ближайших к нему (в смысле Эвклидового расстояния) нейронов. Количество таковых может меняться в зависимости от эпохи (стадии процесса) обучения.

     Следующим возможным решением при выборе классификатора является ВНН – вероятностная нейронная сеть. Преимущество сети PNN в том, что выходное значение имеет вероятностный смысл (и поэтому его легче интерпретировать), и в том, что сеть быстро обучается. Обучение такой сети будет происходить настолько быстро, насколько быстро можно подавать ей на вход обучающие наблюдения. Недостатком является их объем, т.к. она фактически вмещает в себя все обучающие данные – см. слой 2 на рисунке Возможный вариант топологии сети PNN приведен на рис.2:

Рисунок 2 - Топология вероятностной нейронной сети

     Каждый выходной элемент (класс/диагноз) связан только со «своими», относящимися к его классу радиальными элементами из второго слоя, а со всеми остальными элементами он имеет нулевое соединение. Однако, для построения данной топологии необходимы априорные знания о принадлежности образа (наблюдения) к тому или иному классу (диагнозу). Такое априорное знание может быть получено у врача-эксперта, который, благодаря своему опыту, может определить принадлежность наблюдения (обследования) к определенному диагнозу. В случае, если такое знание получить у врача невозможно, можно использовать описанную выше сеть Кохонена или наращиваемую самоорганизующуюся сеть для «разведки» исходного обучающего множества. Благодаря способности к самоорганизации, эти сети разделят всю совокупность обучающих наблюдений на кластеры, т.е. будут получены данные, которые необходимы для связи второго и выходного слоев.

     Исследование поведения различных классификаторов будет проводиться в пакете STATISTICA Neural Networks или в другой программе моделирования работы нейронных сетей, например, в пакете инженерных вычислений MathLab.

IV. ЗАКЛЮЧЕНИЕ И ВЫВОДЫ

    Можно сделать следующие выводы:

1. Ни один из существующих методов (дуплексное ультразвуковое исследование, внутрисосудистое ультразвуковое исследование, компьютерная томография, ангиоскопия, магнитно-резонансная томография, другие экспериментальные методы) не может предложить единого, общепризнанного способа или критерия для определения склонности атеросклеротической бляшки к разрыву. Создание диагностирующей системы на основе комплексного критерия, отражающего все признаки эмбологенности АБ, является задачей для решения в будущем.

2. Косвенный метод денситометрии позволяет выделить в атеросклеротической бляшке зоны с приблизительно одинаковой яркостью свечения, т.е. с приблизительно одинаковым составом, и определить, является ли она гомо- или гетерогенной; а также определить относительные значения плотностей фрагментов бляшки, сравнивая их с эхогенностью (плотностью) крови в просвете сосуда и адвентиции (стенки сосуда)

3. Для получения абсолютных количественных значений морфологических признаков или критериев, которые могди бы адекватно и достоверно установить риск разрыва АБ, необходимо проведение и сопоставление результатов гистологических исследований образцов АБ in vitro по выяснению структуры бляшки и результатов ультразвуковых исследований in vivo по анализу полученных УЗ изображений бляшки и рассчитываемых статистических и текстурных признаков (например, среднее значение яркости УЗ снимка, гомогенность (однородность) УЗ снимка и др.).

4. Для выбора конкретного набора признаков, как наиболее различающего и оптимального, требуется выполнить экспериментальные исследования их разрешающей способности при обработке ультразвуковых снимков для классификации и во время самой классификации, а также их быстродействия.

5. Осуществление классификации атеросклеротических бляшек на несколько типов в зависимости от их склонности к разрыву (например, устойчивые, очень склонные к разрыву, склонные к разрыву при внешних воздействиях) является сложной задачей, т.к. нет четкой функциональной связи между получаемыми в результате обследований данными и действительным событием (разрыв/неразрыв бляшки). В отсутствие возможности поставить однозначный диагноз, можно прибегнуть к парадигме оценки вероятности наступления события.

Примечание: приведенный текст автореферат магистерской работы не является окончательной версией, т.к. завершение исследований по теме магистерского проекта планируется к 31.12.2007. Для получения полной версии автореферата после написания магистерской работы пришлите запрос по адресу: mvlad@icm.dn.ua

V. СПИСОК ССЫЛОК

1. http://www.promeds.ru/states.php?iid=470&id=5

2. Ю.Скобцов, В.Оверко, Ю.Родин, В.Скобцов, В.Гринь, А.Штутин Исследования поведения потоков крови и компьютерная диагностика сосудистых заболеваний // Энергия инноваций. - 2005. - №2-3. - С.40-42. (0.3д.а.)

3. Ю.Скобцов, В.Оверко, Ю.Родин Моделирование и визуализация потоков крови в сосудах с различной патологией // Праці Першої міжнародної науково-технічної конференції «Моделювання і комп’ютерна графіка», 04-07 жовтня 2005, Донецьк. (0.5д.а.)

4. Ю.В.Родин. Влияние характеристик атеросклеротической бляшки и факторов риска на вероятность тромбоза внутреней сонной артерии// Вестник неотложной и восстановительной медицины – 2005. – №4. – С.565-570.

5. Ю.А.Скобцов, В.С.Оверко, Ю.В.Родин, В.К.Гринь, А.А.Штутин, В.В.Пичка. Исследование потоков крови при патологической S-образной извитости сонных артерий// Труды Института прикладной математики и механики НАН Украины.-Донецк:2006. ИПММ .-Том 12 с.164-171.

6. Скобцов Ю.А., Родин Ю.В., Озерко В.С. Исследование и визуализация поведения потоков крови в ветвящихся сосудах// Вестник Херсонского национального технического университета.- Херсон:2006.-№1 (24).-с.50-54.

7. http://dgma.donetsk.ua/~ek/sc/neyro2002/2002/art17.htm

8. http://nich.donntu.ru/konf/konf4/sek_07_informat/s07_05.pdf

9. http://masters.donntu.ru/2006/kita/garipov/diss/index.htm

10. http://masters.donntu.ru/2006/kita/chvala/diss/index.htm

11. http://masters.donntu.ru/2006/kita/varshavskaya/diss/index.htm

12. http://www.is.svitonline.com/avizenna/Web/Volkov.htm

13. http://www.rql.kiev.ua/cardio_j/2005/2/lutay.htm

14. http://www.ultrasound.net.ua/page/text/name=udk9-11

15. http://www.lushchyk.org.ua/rindex.htm

16. http://www.gongalsky.com.ua/

17. Reilly L.M., Lusby R.J., Hughes L. et al. Carotid plaque histology using real-time bitrasonography. Clinical and therapeutic implications // Am. J.Surg. 1983. V.146.№ 2. P.188-193.

18. Gray-Weale A.C., Graham J.C., Burnett J.R. et al. Carotid artery atheroma: comparison of preoperative B-mode ultrasound appearance with carotid endarterectomy specimen pathology // J. Cardiovasc. Surg. 1988. V. 29. № 6. P. 676-681. Источник: Дубров Э.Я. и др. Ультразвуковая и функциональная диагностика. 2006. №1. С.97-103

19. И.Дж. Калло, В.Д. Эдвардс, Р.С. Шварц Механизмы и клинические проявления разрывов атеросклеротических бляшек - Translated with the permission of the ACP—ASIM, from: Kullo I.J., Edwards W.D., Schwartz R.S. Vulnerable plaque: pathobiology and clinical implications. Ann Intern Med 1998;129:1050—60.

20. C.I Christodoulou, E. Kyriacou, M.S.Pattichis, C.S. Pattichis, A. Nicolaides, “ A Comparative Study of Morphological and other Texture Features for the Characterization of Atherosclerotic Carotid Plaques”, Proc of CAIP 2003, The Nederlands, 165-173, (2003).

21. Oliver M. Jeromin, Marios S. Pattichis, Constantinos Pattichis, Efthyvolous Kyriacou, Andrew Nicolaides “Variogram Methods for Texture Classification of Atherosclerotic Plaque Ultrasound Images”, University of New Mexico, Albuquerque, New Mexico, USA; University of Cyprus, Nicosia, Cyprus; Imperial College of Medicine, London, UK.

22. Marie-Louise M. Gronholdt "Ultrasound and Lipoproteins as Predictors of Lipid-Rich, Rupture-Prone Plaques in the Carotid Artery” Arterioscler. Thromb. Vasc. Biol. 1999;19;2-13.

23. E. Kyriacou, C.S. Pattichis, M.S. Pattichis, A. Mavrommatis, S. Panagiotou, C.I. Christodoulou, S. Kakkos, A. Nicolaides “Classification of Atherosclerotic Carotid Plaques Using Gray Level Morphological Analysis on Ultrasound images”, Proc. of Medicon 2003, Ischia, Naples, Italy, August 2003.

24. C.I. Christodoulou, C.S. Pattichis, E. Kyriacou, A. Nicolaides, “Selection of Parameters for Texture Analysis for the Classification of Carotid Plaques”, Proc. of Medicon 2004, Ischia, Naples, Italy, August 2004.

    http://www.medinfo.cs.ucy.ac.cy/documents/Medicon04_Christodoulou-CI.pdf

25. И. М. Смирнова, И. А. Лазукина, С. Б. Тен, С. В. Иванов «Новые организационные подходы в диагностике и лечении церебральных ишемий (5-тилетний опыт хирургического лечения нарушений мозгового кровообращения)» // Кардиологический центр, Кемерово

26. Sayed Aly and Christopher C. Bishop "An Objective Characterization of Atherosclerotic Lesion : An Alternative Method to Identify Unstable Plaque", Stroke 2000;31;1921-1924.            http://stroke.ahajournals.org/cgi/content/full/31/8/1921

27. Яншин В. В., Калинин Г. А. «Обработка изображений на языке Си для IBM PC: Алгоритмы и программы» — М.: Мир, 1994. — с, ил. С. 96-101.

28. Z. Iscan, M.N. Kurnaz, Z. Dokur, and T. Olmez “Ultrasound Image Segmentation by Using Wavelet and SOM”, Neural Information Processing - Letters and Reviews, Vol. 10, Nos. 8-9, Aug.-Sept. 2006.

    http://ieeexplore.ieee.org/iel5/9009/28608/01279845.pdf