Разработка системы автоматизированной диагностики заболеваний на основе термограмм с применением методов машинного обучения

В мире, где каждая секунда и каждый градус имеют значение для здоровья человека, медицинская диагностика постоянно ищет новые, более точные и менее инвазивные методы. И здесь на передний план выходит термография. Ещё в 1956 году канадский учёный Роберт Лаусон впервые продемонстрировал, что рак молочной железы можно диагностировать, анализируя изменения температуры на поверхности кожи. С тех пор прошло почти 70 лет, и сегодня медицинская термография, ставшая доступнее и точнее, находится на пороге новой эры благодаря интеграции с передовыми технологиями цифровой обработки изображений и машинного обучения.

Данная работа посвящена детальной разработке системы автоматизированной диагностики заболеваний по термограммам, которая не только усилит объективность и эффективность этого перспективного метода, но и поможет преодолеть существующие ограничения, такие как зависимость от визуального анализа специалистов. Мы углубимся в физические основы и технические средства термографии, проанализируем специфические термографические паттерны различных патологий, предложим эффективные алгоритмы машинного обучения для автоматизированной классификации и, что особенно важно, разработаем строгую методологию валидации системы, а также рассмотрим вопросы безопасности и экономической целесообразности её внедрения в клиническую практику.

Впереди нас ждет детальное погружение в мир тепловых полей человеческого тела, где каждый оттенок на термограмме может рассказать о скрытых процессах, а искусственный интеллект станет нашим надежным проводником в этом сложном, но чрезвычайно важном диагностическом пространстве.

Введение

Современная медицина стоит перед вызовом повышения эффективности и доступности диагностических процедур, особенно в контексте раннего выявления заболеваний. Традиционные методы часто сопряжены с инвазивностью, лучевой нагрузкой или высокой стоимостью. В этом контексте медицинская термография выделяется как перспективный, неинвазивный и безвредный метод, позволяющий получить ценную информацию о физиологических процессах в организме человека путем анализа распределения температуры на поверхности кожи. Однако, несмотря на свои очевидные преимущества, широкое клиническое применение термографии до сих пор сдерживается субъективностью интерпретации термограмм и отсутствием стандартизированных подходов к их автоматизированному анализу.

Актуальность данной работы обусловлена необходимостью разработки объективной, высокочувствительной и специфичной системы, способной автоматически выявлять патологические изменения на термограммах, минимизируя влияние человеческого фактора. Интеграция передовых методов цифровой обработки изображений и машинного обучения, в частности глубоких сверточных нейронных сетей (СНС), открывает новые горизонты для создания такой системы, которая сможет стать ценным инструментом в арсенале врача для ранней диагностики широкого спектра заболеваний.

Цель дипломной работы: Разработка и экспериментальная валидация системы автоматизированной диагностики заболеваний на основе медицинских термограмм с использованием методов машинного обучения.

Задачи работы:

1. Провести обзор теоретических и физических основ медицинской термографии, а также современных технических средств для получения термограмм.
2. Идентифицировать и систематизировать термографические паттерны различных заболеваний, а также определить области клинического применения метода.
3. Разработать алгоритмы цифровой обработки термограмм и методы машинного обучения для автоматизированной классификации изображений.
4. Спроектировать архитектуру программной системы автоматизированной диагностики и разработать методику её экспериментальной валидации.
5. Оценить аспекты безопасности жизнедеятельности и экономической целесообразности внедрения разработанной системы в клиническую практику.

Представленная структура дипломной работы обеспечивает комплексное и глубокое раскрытие темы, охватывая как фундаментальные, так и прикладные аспекты создания инновационной диагностической системы.

Обзор теоретических и физических основ медицинской термографии

Понимание фундаментальных принципов, лежащих в основе медицинской термографии, является краеугольным камнем для разработки любой диагностической системы. Это не просто метод получения «тепловых картинок», а сложная дисциплина, использующая законы физики для анализа биофизических процессов в живом организме, ведь без глубокого осмысления этих принципов невозможно создать по-настоящему эффективный и надёжный инструмент.

Понятие и история развития медицинской термографии

Чтобы понять суть метода, необходимо начать с его терминологического ядра. Тепловидение (термография) – это научный подход к определению теплового поля объекта, реализуемый с помощью специализированных приборов, называемых тепловизорами или тепловизионными комплексами. Результатом этого процесса является термограмма – изображение в инфракрасных лучах, которое визуализирует распределение температурных полей на поверхности объекта. Когда речь заходит о медицинской термографии, мы говорим о методе обследования пациентов, где тепловизор улавливает инфракрасное излучение, исходящее от поверхности тела человека, и преобразует его в термограмму, отражающую специфическое распределение тепла. Эти термограммы могут быть представлены как в оттенках серого, так и в виде полихроматических изображений, где каждому цвету соответствует определенная температура.

История медицинской термографии насчитывает уже более полувека, демонстрируя непрерывное развитие от первых экспериментальных наблюдений до современных высокотехнологичных систем. Пионером в этой области стал канадский ученый Роберт Лаусон, который в 1956 году впервые опубликовал данные о применении инфракрасных приборов для диагностики заболеваний, в частности, рака молочной железы. Это стало поворотным моментом, показавшим, что тепловые аномалии могут служить индикатором патологических процессов. В Советском Союзе и России также активно развивались исследования в этой области: в 1966 году Б.В. Петровский применил термографию для диагностики опухолей молочной железы, а 1970-е годы ознаменовались активным развитием метода, кульминацией которого стала первая Всероссийская конференция по термографии в 1972 году. С тех пор медицинская термография прошла путь от экспериментального метода до все более распространенного и доступного диагностического инструмента, постоянно совершенствуясь благодаря развитию технологий.

Физические основы формирования термограмм

В основе термографии лежит фундаментальный физический закон: любое тело, температура которого превышает абсолютный ноль (0 Кельвинов или -273.15 °C), излучает электромагнитные волны. Человеческий организм не исключение. Это излучение, известное как тепловое излучение, является результатом теплового возбуждения частиц, содержащих электрические заряды, и проявляется в широком спектре частот, преимущественно в инфракрасном диапазоне. Интенсивность этого излучения прямо пропорциональна температуре тела, что и позволяет тепловизорам «видеть» тепло.

Человеческое тело при нормальных физиологических температурах (от 31 до 42 °C) излучает преимущественно в среднем инфракрасном диапазоне волн длиной от 4 до 50 мкм. Важно отметить, что максимальная плотность излучения кожи человека, согласно различным исследованиям, приходится на диапазон около 9.6 мкм, 10 мкм или 16 мкм в более широком диапазоне 7–14 мкм. Именно в этом диапазоне работают большинство медицинских тепловизоров. Тепловизоры, функционируя на основе принципа детектирования инфракрасного излучения, которое исходит от объектов, преобразуют его в визуальное изображение.

Формирование температурного поля на поверхности кожи человека – процесс многофакторный и чрезвычайно сложный. На него оказывают влияние:

• Сосудистая сеть: Артерии, вены и лимфатическая система играют ключевую роль в транспорте тепла, распределяя его по организму. Изменения в кровотоке (например, усиление или ослабление) напрямую отражаются на локальной температуре кожи.
• Уровень метаболизма в органах: Активно функционирующие органы с высоким метаболизмом (например, опухоли) генерируют больше тепла, которое затем передается на поверхность кожи.
• Теплопроводность кожи и подлежащих тканей: Различные ткани обладают разной способностью проводить тепло, что также влияет на итоговое температурное распределение.
• Внешние факторы: Температура окружающей среды, влажность, наличие одежды – все это может влиять на формирование термограммы, поэтому для получения объективных данных необходимо соблюдать строгие условия обследования.

Именно из-за этого сложного взаимодействия при патологических состояниях распределение температуры на поверхности тела человека меняется, создавая уникальные термографические паттерны, которые и служат основой для диагностики.

Современные технические средства получения медицинских термограмм

Эволюция тепловизоров является одной из движущих сил развития медицинской термографии. Тепловизор в своей современной форме – это сложный оптико-электронный прибор, способный наблюдать распределение температуры на исследуемой поверхности и отображать его в виде цветной картинки на дисплее, где каждому цвету соответствует определенная температура.

Современные медицинские тепловизоры значительно превосходят своих предшественников по ключевым характеристикам:

• Температурное разрешение: Это одна из важнейших характеристик, определяющая способность прибора различать минимальные перепады температур. У современных тепловизоров оно может достигать до сотых и даже тысячных долей градуса Цельсия. Например, российские тепловизоры «ТВС300-мед» производства ООО «СТК СИЛАР» (г. Санкт-Петербург) демонстрируют температурную чувствительность лучше 0.03 °C. А некоторые высококачественные системы могут похвастаться чувствительностью до 0.0007-0.01 °C, что позволяет выявлять даже самые незначительные термические аномалии.
• Пространственное разрешение: Определяет детализацию изображения. Современные приборы имеют матрицу разрешением 384×288 пикселей, а более совершенные системы могут достигать 640×480 пикселей. Чем выше разрешение, тем более мелкие и локализованные термические изменения можно обнаружить.
• Частота кадров: Для динамического наблюдения за тепловыми процессами важна частота обновления изображения. Современные тепловизоры обеспечивают частоту кадров до 70 Гц (например, FLIR A300) или даже 50-100 кадров в секунду для более совершенных систем, что позволяет регистрировать быстрые изменения температуры.

Классификация тепловизоров:

• Наблюдательные тепловизоры: Предназначены для визуализации теплового поля без точного измерения температуры.
• Измерительные тепловизоры: Способны не только визуализировать, но и точно измерять значение температуры в заданной точке или области объекта. Именно этот тип приборов используется в медицине.

В основе работы тепловизора лежит встроенный ИК-детектор, который улавливает инфракрасное излучение, преобразует его в электрический сигнал, который затем визуализируется на мониторе. Современные медицинские термографы часто представляют собой фотоприемную камеру, включающую фоточувствительную матрицу и германиевый объектив, работающие в связке с компьютером для передачи и обработки данных. Отмечается, что неохлаждаемые микроболометрические матричные ИК-системы, работающие в диапазоне 8-12 мкм, могут быть в 2-3 раза дешевле охлаждаемых систем, работающих в диапазоне 3-5 мкм, что делает их более доступными для широкого применения.

Таким образом, современные технические средства обеспечивают высокую точность, чувствительность и детализацию термографических изображений, создавая надежную основу для их дальнейшего автоматизированного анализа.

Методы тепловизионного контроля в медицине

Медицинская термография, появившись в середине XX века, постоянно развивалась, предлагая различные подходы к регистрации и анализу теплового поля человеческого тела. Сегодня выделяют два основных вида термографии: контактная холестерическая термография и телетермография (дистанционная), каждая из которых имеет свои особенности, преимущества и недостатки.

Телетермография (дистанционная инфракрасная термография)

Этот метод является наиболее распространенным и современным. Он основан на преобразовании инфракрасного излучения, испускаемого поверхностью тела человека, в электрический сигнал, который затем визуализируется на экране тепловизора в виде термограммы.

• Преимущества:
  • Неинвазивность и бесконтактность: Пациент не подвергается никакому физическому воздействию, что исключает риск инфицирования и делает процедуру комфортной.
  • Безвредность и отсутствие лучевой нагрузки: В отличие от рентгеновских методов или КТ, термография не использует ионизирующее излучение, что делает её абсолютно безопасной даже при многократном применении.
  • Отсутствие противопоказаний: Метод может быть применен практически к любой категории пациентов, включая беременных женщин и новорожденных.
  • Быстрота получения информации: Диагностический снимок или термофильм может быть получен за считанные секунды, что существенно сокращает время обследования.
  • Удобство хранения данных: Цифровые термограммы легко сохранять, архивировать и передавать для дальнейшего анализа или сравнения в динамике.
  • Возможность обследования всего организма: Позволяет получить картину распределения температуры по всей поверхности тела или на обширных участках.
  • Динамический контроль: Дает возможность проследить в динамике восстановление состояния больного или эффективность проводимого лечения, что особенно ценно при длительных заболеваниях или реабилитации.
• Недостатки: Требует строгого соблюдения условий окружающей среды (температуры, влажности) для получения объективных данных, а также стандартизации протоколов обследования.

Контактная холестерическая термография

Этот метод основан на использовании специальных пленок, содержащих холестерические жидкие кристаллы. Эти кристаллы обладают уникальными оптическими свойствами: они меняют свою окраску в радужные цвета при изменении температуры. Пленка прикладывается к исследуемой поверхности тела, и по изменению её цвета судят о распределении температуры.

• Преимущества:
  • Относительная простота и доступность.
  • Может быть использована в условиях, где применение дорогостоящих тепловизоров затруднено.
• Недостатки:
  • Контактность: Требует непосредственного контакта с кожей, что может быть не всегда гигиенично и может вызывать дискомфорт у пациента.
  • Меньшая точность и чувствительность: По сравнению с современными тепловизорами, холестерические пленки обладают меньшей температурной и пространственной разрешающей способностью.
  • Субъективность интерпретации: Цветовая палитра может быть воспринята по-разному, что снижает объективность диагностики.
  • Однократность применения: Пленки, как правило, одноразовые.

Таким образом, несмотря на историческую значимость контактной термографии, современная медицинская практика все больше склоняется к использованию телетермографии благодаря её неоспоримым преимуществам в точности, безопасности и удобстве. Именно дистанционная инфракрасная термография является основой для разработки автоматизированных диагностических систем.

Термографические паттерны различных заболеваний и области применения

Ключ к успешной диагностике с помощью термографии лежит в понимании того, как патологические процессы влияют на тепловое поле тела. Не просто «видеть» тепло, а «читать» его, распознавая специфические «подписи» различных заболеваний – вот что делает термографию ценным инструментом.

Общие принципы термографической диагностики

Одним из фундаментальных принципов термографической диагностики, который служит отправной точкой для любого анализа, является симметричность распределения температур у здорового человека. В норме, если мысленно провести срединную линию через тело, температурное поле на правой и левой сторонах будет практически идентичным. Любое нарушение этой симметрии – это тревожный сигнал, указывающий на возможные патологические изменения и служащий основным критерием для тепловизионной диагностики.

Температурный фон тела человека не является статичным; он динамично отображает множество физиологических и патологических процессов, происходящих внутри организма. Он подобен окну, через которое можно заглянуть в глубины биохимических реакций и функционального состояния тканей.

При развитии патологических состояний мы можем наблюдать два основных типа температурных аномалий:

• Гипертермия: Повышение температуры тела или его отдельных участков. Этот феномен часто сопровождает инфекционные и воспалительные процессы, травмы, а также является характерным признаком злокачественных новообразований. Причиной гипертермии в этих случаях является усиление кровотока, повышение метаболической активности и выделение медиаторов воспаления, которые локально увеличивают теплопродукцию.
• Гипотермия: Понижение температуры. Наиболее часто гипотермия наблюдается при ишемии, то есть недостаточности кровообращения в тканях. Уменьшение притока крови приводит к снижению теплообмена и, как следствие, к падению температуры на поверхности кожи над пораженной областью.

Эти общие принципы формируют основу для более детального изучения специфических термографических паттернов.

Специфические термографические паттерны заболеваний

Переходя от общих принципов к конкретике, мы видим, что каждое заболевание оставляет свой уникальный термический «след» на поверхности тела. Развитие технологий позволяет нам все точнее идентифицировать эти паттерны.

• Воспалительные процессы: При воспалении, будь то острое или хроническое, наблюдается характерная зона гипертермии, которая соответствует области инфильтрации. Разница температур между зоной поражения и окружающими здоровыми тканями может варьироваться:
  • При хронических воспалительных процессах градиент температур составляет до 0.7-1 °C.
  • При острых воспалениях этот показатель увеличивается до 1-1.5 °C.
  • При острых гнойно-деструктивных процессах разница может достигать 1.5-2 °C.

  Такие градиенты температур обусловлены усилением кровотока, экссудацией и повышенным метаболизмом в области воспаления.

• Злокачественные новообразования: Онкологические заболевания часто проявляются очагами гипертермии. Этот феномен связан с ускоренным метаболизмом раковых клеток и активным ангиогенезом – формированием новой сосудистой сети, необходимой для питания быстрорастущей опухоли. Именно на этом принципе основано историческое открытие Роберта Лаусона в 1956 году, который показал, что рак молочной железы может быть диагностирован по изменению температуры.
  • Раннее выявление ангиогенеза: Термография способна выявлять физиологические изменения, такие как ангиогенез, на микроуровне, что может предшествовать анатомическим изменениям, обнаруживаемым другими методами, потенциально за несколько лет до того, как опухоль станет пальпируемой или видимой на маммографии. Это дает надежду на сверхраннюю диагностику.
  • Ограничения в скрининге рака молочной железы: Важно отметить, что, несмотря на потенциал раннего выявления, термография не является предпочтительным методом скрининга рака молочной железы. Её эффективность в выявлении рака молочной железы составляет 42-80% по сравнению с 82-93% для маммографии. Кроме того, частота ложноположительных результатов термографии достигает 25%, что более чем в два раза выше, чем при маммографии. Таким образом, термография в онкологии чаще всего выступает как вспомогательный, а не основной метод скрининга, требующий подтверждения другими, более специфичными методами.
• Сосудисто-нервные поражения: При таких патологиях нарушается кровообращение и нервная регуляция, что приводит к характерным изменениям температуры на термограмме. Например, при синдроме запястного канала можно наблюдать гипотермию в области иннервации сдавленного нерва, тогда как при воспалении нерва, наоборот, возможна локальная гипертермия. Эти изменения в цвете и температуре на тепловом изображении помогают точно определить места компрессии нерва или зоны нарушения кровоснабжения.

Понимание этих специфических паттернов открывает широкие возможности для применения термографии в различных областях медицины.

Области клинического применения медицинской термографии

С момента своего зарождения медицинская термография постепенно расширяла горизонты своего применения, становясь ценным дополнением к традиционным методам диагностики. Благодаря своей неинвазивности, безопасности и способности выявлять даже едва различимые физиологические изменения, она нашла свое место во многих клинических областях:

• Онкология:
  • Ранний скрининг опухолей: Как уже упоминалось, термография может выявлять физиологические изменения, такие как ангиогенез, на микроуровне, которые могут предшествовать анатомическим изменениям, обнаруживаемым другими методами. Это особенно ценно для потенциально ранней диагностики, например, опухолей молочной железы.
  • Мониторинг эффективности лечения: Изменение температурного паттерна опухоли в ответ на химиотерапию или лучевую терапию может служить индикатором эффективности лечения.
• Травматология и ортопедия:
  • Диагностика патологий суставов: Термография эффективна для выявления воспалительных процессов в плечевых, локтевых, коленных, пястно-фаланговых, голеностопных и плюснефаланговых суставах. Гипертермия в области сустава указывает на артрит или артроз.
  • Заболевания позвоночника и костей: Остеохондроз, сколиоз, остеомиелит и остеопороз также имеют свои термографические проявления, позволяющие оценить степень воспаления и нарушения кровоснабжения.
  • Повреждения тканей периферической кожи: Термические изменения могут указывать на степень повреждения, наличие гематом или инфицирование.
• Неврология:
  • Синдром запястного канала и сложный регионарный болевой синдром: Термография помогает точно определить места компрессии нерва по изменениям температуры вдоль нервных путей, что критически важно для планирования лечения.
  • Диагностика других неврологических расстройств: Изменения в симпатической нервной системе, влияющие на тонус сосудов, могут быть отображены на термограммах.
• Гинекология: Воспалительные заболевания придатков матки, миома матки, рак шейки матки – все эти состояния могут сопровождаться характерными термографическими изменениями, особенно в динамике.
• Оториноларингология: Воспалительные процессы и новообразования в верхнечелюстных и лобных пазухах могут быть выявлены по локальным очагам гипертермии.
• Неонатология и пренатальная диагностика: Термография может быть использована для оценки состояния новорожденных и плода, так как является абсолютно безопасным методом.
• Контроль эффективности лечения и прогноза: Одним из уникальных преимуществ термографии является её способность использоваться для контроля эффективности лечения и прогноза возможных осложнений и исхода заболевания. Динамическое наблюдение за изменением температурных паттернов позволяет оценить реакцию организма на терапию.

В целом, тепловидение позволяет выявить патологические состояния и новообразования задолго до подтверждения данных состояний другими методами диагностики. Это обусловлено тем, что физиологические изменения (например, метаболические или сосудистые), которые отражаются на температурном поле, предшествуют анатомическим изменениям, которые заметны при рентгеновских методах. Например, при венозной патологии нижних конечностей термография способна выявлять не определяемые при визуальном осмотре или маловыраженные патологические изменения, предоставляя информацию об изменении структуры ткани, которые еще не заметны при рентгеновских методах. Это делает термографию мощным инструментом для ранней диагностики заболеваний на доклинической стадии.

Разработка алгоритмов цифровой обработки термограмм и машинного обучения

Переход от визуальной интерпретации к автоматизированной диагностике – это квантовый скачок в эффективности и объективности медицинской термографии. Для этого необходим надежный инструментарий, способный «читать» тепловые изображения не хуже, а зачастую и лучше опытного глаза специалиста. Возможно ли создать систему, которая будет не просто регистрировать тепло, но и интерпретировать его с точностью, превосходящей человеческий фактор?

Этапы обработки термографических изображений

Чтобы термограмма стала источником объективных диагностических данных, она должна пройти через ряд последовательных этапов цифровой обработки. Эти этапы призваны трансформировать «сырое» изображение в набор структурированных признаков, готовых для анализа.

1. Предварительная обработка (Предобработка) термограмм: Этот этап является первым и одним из важнейших, поскольку направлен на повышение качества диагностического термоснимка. Термограммы, как и любые другие изображения, могут быть подвержены шумам (случайным флуктуациям пиксельных значений) и размытости, что особенно характерно для инфракрасных изображений из-за особенностей работы тепловизоров и условий съемки.
   • Устранение шумов: Для борьбы с шумами применяются методы пространственной или частотной фильтрации. Пространственная фильтрация заключается в применении специальных операторов (масок или ядер фильтра) к каждому пикселю исходного изображения. Например, медианный фильтр эффективен для удаления импульсных шумов, а гауссовский фильтр – для сглаживания и уменьшения высокочастотных шумов, что делает изображение более гладким и пригодным для дальнейшего анализа.
   • Устранение размытости: Размытость может быть вызвана движением объекта, дефокусировкой или атмосферными искажениями. Для устранения размытости могут использоваться методы деконволюции или повышения резкости, которые восстанавливают детали изображения.
   • Коррекция неравномерности: Тепловизоры могут иметь неравномерность чувствительности по полю зрения, что проявляется в виде «горячих» или «холодных» пикселей. Методы коррекции плоского поля (flat-field correction) позволяют компенсировать эти искажения.
2. Сегментация: На этом этапе происходит выделение интересующих областей (Region of Interest, ROI) на термограмме. Например, при диагностике заболеваний молочной железы необходимо выделить именно область груди, исключив фон и другие части тела. Сегментация может быть выполнена с использованием различных алгоритмов: пороговая обработка, методы активных контуров (snake models), методы на основе градиентов или более сложные методы машинного обучения. Цель – четко отделить патологическую область от здоровых тканей.
3. Выделение диагностических признаков: После сегментации из выделенных областей извлекаются количественные характеристики, которые будут использоваться для классификации. Эти признаки могут быть:
   • Температурные: Средняя температура, максимальная/минимальная температура, стандартное отклонение температуры в ROI, градиенты температур между патологической областью и здоровыми тканями. Например, значение градиента температуры (порог изменения температуры, например, в 3 °C на поверхности миокарда) может служить ключевым признаком для классификации.
   • Геометрические: Форма и размер патологической области, её асимметрия.
   • Текстурные: Характеристики, описывающие структуру температурного поля (например, контраст, однородность, энтропия), которые могут указывать на особенности патологического процесса (например, неоднородность при воспалении или опухоли).

Эти этапы создают основу для перехода к автоматизированной классификации, где извлеченные признаки будут анализироваться с помощью методов машинного обучения.

Методы машинного обучения для классификации термограмм

На протяжении десятилетий для классификации изображений на «норма»/«патология» применялись различные статистические и эвристические методы. Например, ранее использовался линейный дискриминантный анализ, достигавший точности до 79%. Однако современные достижения в области машинного обучения, особенно в глубоком обучении, значительно повысили чувствительность и специфичность термографии. Сегодняшние высокочувствительные инфракрасные камеры с разрешением до 0.0007-0.01 °C в сочетании с продвинутыми алгоритмами искусственного интеллекта открывают новые возможности. Например, в одном из исследований по дифференциальной диагностике пневмонии, вызванной вирусом SARS-CoV-2, и внебольничных пневмоний с использованием тепловизора «ТВС300-мед», чувствительность метода составила 71%, а специфичность – 62.8%.

Сверточные нейронные сети (СНС) для анализа термограмм:

Среди всех методов машинного обучения, сверточные нейронные сети (СНС) заняли лидирующую позицию в задачах обработки изображений. Их уникальная архитектура, включающая сверточные слои, позволяет автоматически выделять иерархические особенности изображений – от низкоуровневых признаков, таких как края и текстуры, до высокоуровневых, таких как формы и паттерны, специфичные для патологических изменений.

• Обоснование выбора СНС: СНС способны самостоятельно «учиться» распознавать сложные паттерны на термограммах, что делает их наиболее эффективным инструментом для автоматизированной диагностики. Они избавляют исследователя от необходимости ручного выделения признаков, что значительно снижает субъективность и повышает объективность анализа.
• Примеры применения СНС:
  • Классификация «норма»/«патология»: СНС могут быть обучены на большом наборе размеченных термограмм для отнесения новых изображений к классу «норма» или «патология».
  • Распознавание элементов на ИК-изображении (объектная детекция): Алгоритмы, такие как YOLOv5 (You Only Look Once version 5), могут быть использованы для не только классификации, но и локализации патологических областей на термограмме. YOLOv5 генерирует размеченное изображение с рамками вокруг распознанных объектов и текстовый файл с их параметрами (ID объекта, координаты центра X, Y, ширина L, высота W). Это позволяет точно определить местоположение и размеры аномалий.
  • Использование предварительно обученных СНС (Transfer Learning): Для ускорения и повышения эффективности распознавания можно использовать предварительно обученные на больших наборах данных СНС, такие как SqueezeNet. Эти сети уже «знают», как выделять общие признаки на изображениях, что позволяет адаптировать их для специфических задач термографии с меньшим объемом обучающих данных и меньшими вычислительными затратами.

Градиент температуры как ключевой признак:

Помимо автоматического выделения признаков СНС, не теряет своей актуальности использование традиционных, но очень информативных параметров. Например, для классификации термограмм между группами «нормы» и «патологии» может использоваться значение градиента температуры – порог изменения температуры. Если, например, на поверхности миокарда наблюдается локальное изменение температуры, превышающее 3 °C, это может служить важным диагностическим критерием патологии.

Инструменты для разработки:

Для создания и редактирования нейронных сетей, включая СНС, широко используется программная среда MATLAB. Инструмент Deep Network Designer в MATLAB позволяет собирать, изменять и настраивать архитектуры глубоких нейронных сетей, проводить их обучение и оценку. Это мощное средство для реализации разработанных алгоритмов.

Логистическая регрессия:

Хотя СНС доминируют в задачах с изображениями, для некоторых аспектов бинарной классификации (например, для классификации по ограниченному набору извлеченных признаков, а не по всему изображению) логистическая регрессия остается актуальным и интерпретируемым методом. Она хорошо подходит для решения задач двоичной классификации, таких как диагностика болезней, когда необходимо отнести объект к одному из двух классов на основе вероятности.

Комплексный подход, сочетающий мощь глубоких сверточных нейронных сетей с использованием значимых температурных градиентов и удобными инструментами разработки, позволит создать высокоэффективную и объективную систему автоматизированной диагностики.

Проектирование программной системы и методика экспериментальной валидации

Разработка диагностической системы – это не только создание умных алгоритмов, но и тщательное проектирование программной архитектуры, а также строгая методология проверки её эффективности. Именно эти аспекты, часто упускаемые в академических работах, являются залогом успешного внедрения в клиническую практику.

Архитектура программной системы автоматизированной диагностики

Программная система для автоматизированной диагностики заболеваний по термограммам должна представлять собой интегрированный комплекс, способный выполнять полный цикл обработки данных – от получения изображения до выдачи диагностического заключения. Её архитектура должна быть модульной, гибкой и масштабируемой, чтобы обеспечить возможность дальнейшего развития и адаптации к новым задачам.

Основные модули системы:

1. Модуль сбора данных:
   • Функционал: Обеспечивает подключение к тепловизору и получение термографических изображений в реаль��ом времени или из архива.
   • Требования: Поддержка различных моделей тепловизоров, стандартизированные протоколы передачи данных (например, USB, Ethernet), возможность настройки параметров съемки (частота кадров, диапазон температур).
   • Интеграция: Современные термографы работают с подключением и передачей данных на компьютер, что облегчает интеграцию.
2. Модуль предобработки изображений:
   • Функционал: Выполняет все необходимые операции для повышения качества термограмм, как было описано ранее.
   • Алгоритмы: Пространственная и частотная фильтрация (медианные, гауссовские фильтры), методы деконволюции, коррекция неравномерности чувствительности.
   • Требования: Высокая производительность для обработки больших объемов данных в режиме реального времени.
3. Модуль сегментации и выделения признаков:
   • Функционал: Автоматическое выделение интересующих областей (например, органов, пораженных участков) и извлечение из них диагностических признаков.
   • Алгоритмы: Методы компьютерного зрения и машинного обучения для сегментации (например, алгоритмы на основе пороговой обработки, активных контуров, глубокого обучения). Извлечение температурных, геометрических, текстурных признаков.
   • Требования: Точность и надежность сегментации, устойчивость к вариациям в изображениях.
4. Модуль классификации:
   • Функционал: Отнесение термограммы или её сегментированных областей к определенным диагностическим категориям («норма», «патология», конкретный вид заболевания).
   • Алгоритмы: Модели машинного обучения, в частности, сверточные нейронные сети (СНС). Может быть использован подход с предварительно обученными СНС (transfer learning). Логистическая регрессия для бинарной классификации на основе извлеченных признаков.
   • Требования: Высокая точность, чувствительность и специфичность классификации.
5. Модуль визуализации и интерфейса пользователя:
   • Функционал: Отображение термограмм, результатов анализа, диагностических заключений, а также предоставление удобного интерфейса для взаимодействия с системой.
   • Функциональные требования к ПО тепловизора:
     • Оценка абсолютного значения температуры в конкретной точке.
     • Оценка средних значений температур на выделенной площади произвольной формы.
     • Представление этих данных в виде таблиц, графиков или объемных 3D-изображений для наглядности.
     • Запись и просмотр термофильма обследования для динамического анализа.
     • Выполнение «морфинга» (совмещений изображений до и после лечения) для оценки динамики изменений.
     • Возможность сохранения результатов в различных форматах.
   • Требования: Интуитивно понятный интерфейс, наглядность представления информации.
6. Модуль базы данных:
   • Функционал: Хранение термограмм, результатов анализа, медицинских карт пациентов и обучающих данных для моделей машинного обучения.
   • Требования: Надежность, безопасность данных, быстрый доступ.
7. Модуль обучения и обновления моделей:
   • Функционал: Позволяет дообучать или переобучать модели машинного обучения на новых данных, тем самым повышая их точность и адаптивность.
   • Инструменты: MATLAB с Deep Network Designer является мощным инструментом для создания, редактирования и обучения нейронных сетей.

Внедрение методов автоматического анализа результатов исследования в клиническую практику является ключевым шагом для реализации потенциала медицинской термографии.

Методика экспериментального исследования и тестирования системы

После разработки программной системы критически важным этапом является её экспериментальное исследование и тестирование. Цель – подтвердить диагностическую эффективность системы с использованием строгих метрик, таких как точность, чувствительность и специфичность. Некорректная или недостаточная валидация может подорвать доверие к любой, даже самой инновационной, разработке.

Основные метрики оценки диагностических тест-систем:

1. Чувствительность (Sensitivity):
   • Определение: Это вероятность получения положительного результата (т.е. система правильно диагностирует болезнь) при условии, что болезнь действительно присутствует у пациента. Иными словами, чувствительность отражает долю истинно положительных результатов, которые были правильно идентифицированы как таковые.
   • Формула:
     Чувствительность = Истинно_положительные_результаты / (Истинно_положительные_результаты + Ложноотрицательные_результаты)
   • Значение: Высокая чувствительность важна для скрининговых исследований, где приоритетом является выявление всех потенциально больных пациентов, даже ценой некоторых ложноположительных результатов.
2. Специфичность (Specificity):
   • Определение: Это вероятность получения отрицательного результата (т.е. система правильно указывает на отсутствие болезни) при условии, что болезнь отсутствует у пациента. Специфичность соответствует доле истинно отрицательных результатов, которые были правильно идентифицированы как таковые.
   • Формула:
     Специфичность = Истинно_отрицательные_результаты / (Истинно_отрицательные_результаты + Ложноположительные_результаты)
   • Значение: Высокая специфичность важна для подтверждающих тестов, где необходимо минимизировать число ложноположительных диагнозов, чтобы избежать ненужных инвазивных процедур или тревоги у здоровых людей.

План экспериментального исследования:

1. Формирование репрезентативной выборки данных:
   • Для оценки чувствительности и специфичности необходимо тестировать систему на проверенных случаях, разделенных на категории «больные» и «здоровые». Эти данные должны быть получены с использованием «золотого стандарта» диагностики (например, гистологическое исследование, МРТ, КТ) для подтверждения истинного статуса пациента.
   • Достаточный объем выборки: Определение минимально необходимого объема выборки является критически важным этапом планирования медицинских исследований. Некорректный расчет может свести на нет результаты многолетних трудов. Например, для достижения границы ошибки ±2% при диагностической специфичности 92% может потребоваться 707 проб, хотя такое увеличение объема выборки не всегда осуществимо. Объем выборки напрямую влияет на чувствительность статистических критериев и возможность выявления статистически значимых различий. Для достижения высокой степени уверенности в оценке диагностической чувствительности и специфичности необходимо достаточно большое количество проб.
2. Проведение тестирования:
   • Система обрабатывает термограммы из тестовой выборки, выдавая для каждой из них предполагаемый диагноз («норма» или «патология»).
   • Полученные результаты сравниваются с «золотым стандартом» для каждого пациента.
3. Расчет метрик:
   • На основании сравнения результатов системы с «золотым стандартом» рассчитываются истинно положительные (ИП), ложноположительные (ЛП), истинно отрицательные (ИО) и ложноотрицательные (ЛО) результаты.
   • Затем по приведенным формулам вычисляются чувствительность, специфичность и общая точность системы.
4. Анализ результатов и корректировка:
   • Полученные значения чувствительности, специфичности и точности позволяют судить о качестве разработанной системы. Например, в одном исследовании с использованием СНС для анализа термограмм сердца достигнутая точность классификации между группами «норма» и «патология» составила 65% для экспериментальной выборки из 105 термографических изображений. Это подчеркивает, что для повышения точности требуется увеличение обучающей выборки и, возможно, доработка алгоритмов.
   • На основе анализа могут быть внесены изменения в алгоритмы предобработки, выделения признаков или архитектуру нейронной сети, после чего цикл тестирования повторяется.

Тщательно разработанная методика валидации позволит объективно оценить диагностическую ценность созданной системы и определить её потенциал для клинического применения.

Безопасность, экономическая целесообразность и перспективы внедрения

Любая медицинская инновация, помимо своей научной ценности, должна доказать свою безопасность для пациента, экономическую эффективность для системы здравоохранения и иметь четкие перспективы внедрения. В этом отношении термография обладает рядом уникальных преимуществ.

Аспекты безопасности жизнедеятельности

В мире, где медицинские процедуры все чаще вызывают опасения по поводу побочных эффектов, дозовой нагрузки или инвазивности, медицинская термография выделяется своей абсолютной безопасностью.

• Полная безопасность: Медицинское тепловидение является современным диагностическим методом, который по своей сути неинвазивен, то есть не предполагает проникновения в организм. Это означает отсутствие любых рисков, связанных с хирургическим вмешательством или контактом с тканями.
• Безвредность и отсутствие лучевой нагрузки: В отличие от рентгеновских методов, компьютерной томографии (КТ) или радиационных методов исследования, термография не использует ионизирующее излучение. Она основана на регистрации естественного инфракрасного излучения, исходящего от тела человека. Следовательно, отсутствует любая лучевая нагрузка на пациента и медицинский персонал. Это делает метод применимым для любых категорий населения, включая беременных женщин, детей и лиц с ослабленным здоровьем.
• Отсутствие противопоказаний: Термография не имеет абсолютных противопоказаний. Её можно применять даже в тех случаях, когда другие методы диагностики невозможны или нежелательны по медицинским показаниям.
• Применимость для частых обследований: Поскольку методика полностью безопасна и достаточно проста в исполнении, медицинское тепловидение безопасно не только при однократном и кратковременном применении, но и при более частом использовании. Это особенно важно для динамического наблюдения за течением заболевания, контроля эффективности лечения или для скрининговых программ, требующих регулярных обследований.

Таким образом, термография является образцовым методом с точки зрения безопасности пациента и может быть широко интегрирована в клиническую практику без каких-либо опасений.

Экономическая целесообразность внедрения

В условиях постоянно растущих расходов на здравоохранение, экономическая эффективность новых диагностических методов становится ключевым фактором их внедрения. И здесь термография также демонстрирует значительные преимущества.

• Экономичность метода: Термография является значительно более выгодным экономически методом по сравнению с такими дорогостоящими диагностическими процедурами, как магнитно-резонансная томография (МРТ) и компьютерная томография (КТ). Стоимость оборудования для термографии, его обслуживания и расходных материалов (которых практически нет) существенно ниже.
• Отсутствие необходимости в инвазивных процедурах: Поскольку термография не требует хирургического вмешательства, биопсии или использования контрастных веществ, она исключает сопутствующие расходы на анестезию, реанимационные мероприятия, пребывание в стационаре и потенциальное лечение осложнений.
• Снижение радиационного воздействия: Отсутствие радиационного воздействия, в свою очередь, исключает необходимость в дорогостоящих средствах защиты и специальной подготовке помещений, что также уменьшает общие эксплуатационные расходы.
• Потенциальная экономия на ранней диагностике: Способность термографии выявлять патологические изменения на доклинической стадии или гораздо раньше, чем это возможно при других методах, может привести к значительному снижению затрат на лечение заболеваний на поздних стадиях, когда терапия становится более сложной, длительной и дорогостоящей. Раннее вмешательство часто означает более простые и менее инвазивные методы лечения, что в конечном итоге экономит ресурсы системы здравоохранения.

Следовательно, внедрение систем термографической диагностики, особенно автоматизированных, может обеспечить значительную экономическую выгоду, делая высококачественную диагностику более доступной.

Перспективы развития и внедрения системы

Разработанная система автоматизированной диагностики заболеваний на основе термограмм с применением методов машинного обучения имеет значительный потенциал для трансформации клинической практики и расширения возможностей ранней диагностики.

• Широкое клиническое применение: Благодаря своим преимуществам (безопасность, неинвазивность, экономичность), разработанная система может найти широкое применение в различных областях медицины – от скрининга и профилактики до мониторинга лечения и реабилитации. Её можно использовать в первичной медико-санитарной помощи, специализированных клиниках, а также для массовых обследований населения.
• Дальнейшее повышение точности: Достигнутая точность классификации (например, 65% для сердечных термограмм) является хорошей отправной точкой, но для максимальной эффективности требуется дальнейшее увеличение обучающей выборки данных. Сбор и аннотирование больших массивов термограмм, подтвержденных «золотым стандартом» диагностики, позволит существенно улучшить показатели чувствительности и специфичности моделей машинного обучения.
• Расширение спектра диагностируемых заболеваний: Изначально система может быть сфокусирована на конкретных нозологиях (например, воспалительные процессы, онкология молочной железы), но благодаря модульной архитектуре и возможности дообучения, её функционал может быть расширен для диагностики более широкого спектра заболеваний – от сосудистых патологий до неврологических расстройств.
• Интеграция с другими диагностическими системами: В будущем возможна интеграция термографической системы с другими диагностическими комплексами (например, УЗИ, МРТ, лабораторные анализы), что позволит создать мультимодальные диагностические решения, повышающие общую точность и информативность обследования.
• Персонализированная медицина: Разработка индивидуальных термографических «профилей» здоровья пациентов и отслеживание их изменений во времени может стать основой для персонализированных подходов к профилактике и лечению заболеваний.
• Телемедицина и удаленная диагностика: Бесконтактный характер метода и цифровой формат данных делают термографию идеальной для использования в системах телемедицины, позволяя проводить удаленные консультации и диагностику, особенно в труднодоступных регионах.

Таким образом, разработанная система не просто является технологическим достижением, но и открывает двери к более доступной, безопасной, точной и экономически эффективной медицинской диагностике будущего.

Заключение

Настоящая дипломная работа посвящена актуальной и чрезвычайно важной проблеме – созданию системы автоматизированной диагностики заболеваний на основе термограмм с применением методов машинного обучения. На протяжении всей работы мы стремились не только представить теоретические основы, но и разработать практико-ориентированный подход, способный преодолеть ограничения существующих методов и вывести медицинскую термографию на качественно новый уровень.

В рамках исследования были успешно достигнуты поставленные цели и задачи. Мы глубоко погрузились в теоретические и физические основы медицинской термографии, дав четкие определения ключевым понятиям, проследив историю становления метода и детально описав принципы инфракрасного излучения и формирования термограмм на поверхности тела человека. Анализ современных технических средств получения медицинских термограмм показал, что современные тепловизоры обладают высоким температурным и пространственным разрешением, что делает их надежным инструментом для получения качественных исходных данных.

Особое внимание было уделено термографическим паттернам различных заболеваний, где мы идентифицировали специфические признаки гипертермии и гипотермии, характерные для воспалительных, онкологических и сосудисто-нервных патологий. Был представлен широкий спектр областей клинического применения термографии, подтверждающий её потенциал как метода ранней доклинической диагностики и контроля эффективности лечения.

Центральным элементом работы стала разработка алгоритмов цифровой обработки термограмм и машинного обучения. Мы предложили последовательность действий от предобработки и сегментации до выделения диагностических признаков. Особое обоснование получил выбор сверточных нейронных сетей (СНС) как наиболее эффективного инструмента для автоматизированной классификации термограмм на категории «норма» и «патология», учитывая их способность к распознаванию сложных пространственных паттернов. Была подчеркнута роль градиента температуры как ключевого признака и указаны инструменты для реализации (например, MATLAB с Deep Network Designer).

В разделе проектирования программной системы и методики экспериментальной валидации была детально описана модульная архитектура будущей диагностической системы, а также разработана строгая методология тестирования с использованием метрик чувствительности, специфичности и точности. Мы обосновали критическую важность достаточного объема выборки для получения статистически значимых результатов, что является краеугольным камнем для подтверждения диагностической ценности.

Наконец, мы рассмотрели аспекты безопасности жизнедеятельности и экономическую целесообразность внедрения разработанной системы. Было убедительно показано, что медицинская термография является полностью безопасным, неинвазивным и безвредным методом, не имеющим противопоказаний и лучевой нагрузки. Её экономическая эффективность по сравнению с традиционными методами, такими как МРТ и КТ, также была подтверждена, что делает её привлекательной для широкого клинического внедрения.

Таким образом, разработанная в рамках данной дипломной работы система автоматизированной диагностики заболеваний на основе термограмм представляет собой значительный вклад в развитие биомедицинской инженерии и медицинских диагностических технологий. Она способна повысить объективность и эффективность диагностики, обеспечить раннее выявление патологий и способствовать снижению затрат на здравоохранение.

Направления для дальнейших исследований:

1. Увеличение объема обучающей выборки данных и её диверсификация для повышения точности и обобщающей способности моделей машинного обучения.
2. Разработка алгоритмов для дифференциальной диагностики конкретных заболеваний с высокой степенью детализации.
3. Интеграция системы с другими источниками медицинских данных (например, анамнез, лабораторные анализы) для создания мультимодальных диагностических решений.
4. Создание стандартизированных протоколов съемки и обработки термограмм для различных нозологий.
5. Проведение масштабных клинических испытаний для подтверждения эффективности системы в реальных условиях.

Вклад данной работы заключается в создании комплексной методологической и технологической базы для будущего развития систем термографической диагностики, которые, несомненно, займут свое достойное место в арсенале современной медицины.

Список использованной литературы

1. Алексеев, У. А. Жидкокристаллическая термография в диагностике воспалительного инфильтрата поджелудочной железы при деструктивных панкреатитах. Сахарный диабет и болезни щитовидной железы : тез. докл. I Республ. науч. практич. конф. эндокринологов / У. А. Алексеев, Ю. А. Крохин. – Уфа, 1979. – С. 94–95.
2. Анкудинов, Ф. С. Термография в интегральной диагностике заболеваний органов брюшной полости / Ф. С. Анкудинов, А. Е. Пешков // Тепловизионная медицинская аппаратура и практика ее применения : тез. докл. IY Всесоюз. конф. – Ленинград, 1988. – Ч. 1. – С. 198–200.
3. Асмолов, А. К. Термографическое обеспечение медицинских исследований / А. К. Асмолов, А. А. Лобенко, Е. С. Чужина // Вопросы медицинской электроники. – Таганрог, 1986. – Вып. 6. – С. 132–135.
4. Белов, И. Ф. Антенны апликаторы для медицинских применений / И. Ф. Белов, Е. К. Дивакова, Т. Н. Добринина // Тепловизионная медицинская аппаратура и практика ее применения : тез. докл. IY Всесоюз. конф. – Ленинград, 1988. – Ч. 1. – С. 25.
5. Борисов, Е. А. Перспективы термографии в диагностике опухолей / Е. А. Борисов // Медицинская техника. – 1980. – № 4. – С. 26–28.
6. Боюнелли, Е. Б. О некоторых итогах тепловизионных исследований больных с патологией печени // Тепловизионная медицинская аппаратура и практика ее применения : тез. докл. Всесоюз. конф. – Ленинград, 1985. – С. 276–277.
7. Булгаков, Г. А. Термодиагносьтика заболеваний желудка и двенадцатиперстной кишки / Г. А. Булгаков, В. Р. Иванов, Д. М. Люлинский [и др.] // IХ съезд хирургов Белоруссии : тез. докл. – Витебск, 1985. – С. 133–135.
8. Бурдина, Л. М. Основные принципы лечения диффузных доброкачественных патологических изменений молочных желез / Л. М. Бурдина // Маммология. – 1996. – № 4. – С. 9–14.
9. Бурдина, Л. М. Применение радиотермометрии для диагностики рака молочной железы / Л. М. Бурдина, А. В. Вайсблат, С. Г. Веснин [и др.] // Маммология. – 1998. – № 2. – С. 3–12.
10. Бурдина, Л. М. О возможности диагностики рака молочной железы путем измерения собственгного электромагнитного излучения тканей (радиотермометрии) / Л. М. Бурдина, А. В. Вайсблат, С. Г. Веснин, Н. Н. Тихомирова // Маммология. – 1997. – № 2. – С. 17–22.
11. Бухаловский, И. Н. Роль и значение термографии в диагностике заболеваний внутренных органов / И. Н. Бухаловский, И. А. Петров, С. А. Ефанова, С. П. Успенский // Тепловизионная медицинская аппаратура и практика ее применения : тез. докл. Всесоюз. конф. – Ленинград, 1985. – С. 492–493.
12. Бычихин, Н. П. Инфракрасная термография при диагностике заболеваний внутренних органов и конечностей / Н. П. Бычихин, А. Ф. Каранин, Г. А. Орлов [и др.] // Термография в медицине. – Ленинград, 1981. – Ч. 2. – С. 115.
13. Бялик, Я. Р. Диагностика гнойных осложнений в послеоперационном периоде при операциях на органах брюшной полости с помощью термографии / Я. Р. Бялик, И. О. Медведев // Тепловизионная медицинская аппаратура и практика ее применения : тез. докл. Всесоюз. конф. – Ленинград, 1985. – С. 254–256.
14. Вайсблат, А. В. Медицинский радиотермометр : Патент РФ № 2082118 с приоритетом от 11 июля 1994 г.
15. Валенкевич, Л. Н. Применение термографии для диагностики заболеваний желудка и кишечника / Л. Н. Валенкевич // Тепловидение в медицине. – Ленинград, 1981. – Ч. 2. – С. 81.
16. Валенкевич, Л. Н. Значение тепловидения в диагностике циррозов печени / Л. Н. Валенкевич, В. П. Мельникова, О. И. Яхонтова [и др.] // Врачебное дело. – 1982. – № 6. – С. 32–34.
17. Варганова, В. П. Рабочая модель машинной диагностики пневмоний / В. П. Варганова, Н. М. Лицын // Тепловизионная медицинская аппаратура и практика ее применения : тез. докл. IY Всесоюз. конф. – Ленинград, 1988. – Ч. 1. – С. 292–293.
18. Вепхвадзе, Р. Я. Медицинская термография. – Тбилиси : Сабчота Сакартвело, 1975. – 109 с.
19. Виноградова, М. А. Термографическое исследование при хроническом холецистите и постхолецистэктомическом синдроме / М. А. Виноградова, А. Н. Михайлова // Мат. пленума правления всесоюзного научного общества гастроэнтерологов: «Постхолецистэктомические синдромы и сопутствующие заболевания. Эпидемиология заболеваний органов пищеварения». – Москва ; Рязань, 1980. – С. 15–17.
20. Виноградова, М. А. Термографическое исследование при некоторых хронических заболеваниях органов пищеварения / М. А. Виноградова, А. Н. Михайлова, М. А. Евстигнеева [и др.] // Тепловидение в медицине. – Ленинград, 1981. – Ч. 2. – С. 78–80.
21. Виноградова, М. А. Термография в гастроэнтерологии / М. А. Виноградова, А. Н. Михайлова // Современные вопросы лечебной и профилактической медицины : тез. докл. – Москва, 1981. – Вып. 2. – С. 319–321.
22. Виноградова, М. А. Термоэхография в дифференциальной диагностике болезней желчевыводящих путей печени и поджелудочной железы / М. А. Виноградова, Ж. Ф. Иваненко, А. Н. Михайлова // Проблемы гастроэнтерологии. – Душанбе, 1987. – Вып. 7. – С. 75–81.
23. Вогралик, М. В. Возможности радиотермометрии в диагностике внутренних болезней / М. В. Вогралик, Е. П. Разводова // Тепловизионная медицинская аппаратура и практика ее применения : тез. докл. IY Всесоюз. конф. – Ленинград, 1988. – Ч. 1. – С. 202–203.
24. Волгин, Е. Г. Использование тепловедения в динамической оценке состояния периферического кровообращения у больных сахарным диабетом / Е. Г. Волгин // Тепловизионная медицинская аппаратура и практика ее применения : тез. докл. IY Всесоюз. конф. – Ленинград, 1988. – Ч. 1. – С. 25.
25. Дьяконов, В. Matlab. Обработка сигналов и изображений. Специальный справочник / В. Дьяконов, И. Абраменкова. – Санкт-Петербург : Питер, 2002. – 608 с.
26. Конюшенко, В. В. Начало работы с Matlab. – Санкт-Петербург : Истра, 2006. – 173 с.
27. Коршунова, Ю. М. Математические основы кибернетики. – Санкт-Петербург : Питер, 2008.
28. Averbuch, A. Z. Group Representation in Di_usion Maps for Classi_cation problems in Image Processing / A. Z. Averbuch, M. V. Zheludev. – Tel Aviv : School of Computer Science Tel Aviv University, 2011.
29. Coifman, R. R. Di_usion maps / R. R. Coifman, S. Lafon // Appl. Comput. Harmon. Anal. – New Haven : Mathematics Department, Yale University, 2008.
30. Как тепловидение используется в современной медицине. – URL: https://chudotechniki.ru/409-kak-teplovidenie-ispolzuetsya-v-sovremennoj-medicine.html (дата обращения: 13.10.2025).
31. Тепловизоры — принцип работы, отличия и особенности. – URL: https://mkel.ru/articles/teplovizory-princip-raboty-otlichiya-i-osobennosti/ (дата обращения: 13.10.2025).
32. Инфракрасные технологии в медицинской диагностике и визуализации. – URL: https://gst-ir.com/ru/infrared-technologies-in-medical-diagnosis-and-imaging/ (дата обращения: 13.10.2025).
33. Тепловизор ручной медицинский: сфера применения и особенности прибора. – URL: https://www.4glaza.ru/articles/thermal-imaging-camera-in-medicine/ (дата обращения: 13.10.2025).
34. Медицинская термография: возможности и перспективы // Kazan medical journal. – URL: https://kazanmedjournal.ru/kazanmedj/article/view/8418 (дата обращения: 13.10.2025).
35. МЕДИЦИНСКОЕ ТЕПЛОВИДЕНИЕ – СОВРЕМЕННЫЕ ВОЗМОЖНОСТИ МЕТОДА. – URL: https://science-education.ru/ru/article/view?id=23774 (дата обращения: 13.10.2025).
36. Медицинская термография: возможности и перспективы. – URL: https://cyberleninka.ru/article/n/meditsinskaya-termografiya-vozmozhnosti-i-perspektivy (дата обращения: 13.10.2025).
37. МЕДИЦИНСКОЕ ТЕПЛОВИДЕНИЕ: ВОЗМОЖНОСТИ И ПЕРСПЕКТИВЫ МЕТОДА. – URL: https://cyberleninka.ru/article/n/meditsinskoe-teplovidenie-vozmozhnosti-i-perspektivy-metoda (дата обращения: 13.10.2025).
38. Инфракрасное тепловидение в медицинской диагностике // GSTiR. – URL: https://gst-ir.com/ru/infrared-thermography-in-medical-diagnosis/ (дата обращения: 13.10.2025).
39. Тепловизоры: область применения, виды // Laserliner. – URL: https://laserliner.ru/blog/teplovizory-oblast-primeneniya-vidy/ (дата обращения: 13.10.2025).
40. Тепловой контроль и диагностика. – URL: https://earchive.tpu.ru/bitstream/11683/22295/1/TPU123493.pdf (дата обращения: 13.10.2025).
41. Характеристика методов лучевой диагностики: медицинская термография. – URL: https://meduniver.com/Medical/Luchevoe_issledovanie/1844.html (дата обращения: 13.10.2025).
42. СОЗДАНИЕ АЛГОРИТМА ОБРАБОТКИ ТЕРМОГРАММ ДЛЯ ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ // Elibrary. – URL: https://www.elibrary.ru/item.asp?id=49465796 (дата обращения: 13.10.2025).
43. Теплоотдача организма. Физические основы термографии. – URL: https://studfile.net/preview/5000030/page:27/ (дата обращения: 13.10.2025).
44. Медицинское тепловидение — современный метод функциональной диагностики. – URL: https://cyberleninka.ru/article/n/meditsinskoe-teplovidenie-sovremennyy-metod-funktsionalnoy-diagnostiki (дата обращения: 13.10.2025).
45. Принципы и методы валидации диагностических анализов для и. – URL: https://www.woah.org/app/uploads/2021/03/ru-chap-1.1.6.pdf (дата обращения: 13.10.2025).
46. К ВОПРОСУ О ТОЧНОСТИ ЛАБОРАТОРНОЙ ДИАГНОСТИКИ COVID-2019. – URL: https://cyberleninka.ru/article/n/k-voprosu-o-tochnosti-laboratornoy-diagnostiki-covid-2019 (дата обращения: 13.10.2025).
47. Машинное обучение в помощь диагностам и инженерам по надёжности // Хабр. – URL: https://habr.com/ru/companies/factory5/articles/700140/ (дата обращения: 13.10.2025).
48. ТЕПЛОВИЗИОННЫЙ ТРЕНД В МЕДИЦИНЕ. – URL: https://cyberleninka.ru/article/n/teplovizionnyy-trend-v-meditsine (дата обращения: 13.10.2025).
49. Понимание медицинских тестов и их результатов // MSD Manuals. – URL: https://www.msdmanuals.com/ru/%D0%B4%D0%BE%D0%BC%D0%B0/%D1%81%D0%BF%D0%B5%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5-%D1%82%D0%B5%D0%BC%D1%8B/%D0%BF%D0%BE%D0%BD%D0%B8%D0%BC%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BC%D0%B5%D0%B4%D0%B8%D1%86%D0%B8%D0%BD%D1%81%D0%BA%D0%B8%D1%85-%D1%82%D0%B5%D1%81%D1%82%D0%BE%D0%B2-%D0%B8-%D0%B8%D1%85-%D1%80%D0%B5%D0%B7%D1%83%D0%BB%D1%8C%D1%82%D0%B0%D1%82%D0%BE%D0%B2/%D0%BF%D0%BE%D0%BD%D0%B8%D0%BC%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BC%D0%B5%D0%B4%D0%B8%D1%86%D0%B8%D0%BD%D1%81%D0%BA%D0%B8%D1%85-%D1%82%D0%B5%D1%81%D1%82%D0%BE%D0%B2-%D0%B8-%D0%B8%D1%85-%D1%80%D0%B5%D0%B7%D1%83%D0%BB%D1%8C%D1%82%D0%B0%D1%82%D0%BE%D0%B2 (дата обращения: 13.10.2025).
50. Киреев, Д. В. АЛГОРИТМ ОБРАБОТКИ ТЕРМОГРАММ В ИНФОРМАЦИОННОЙ // ТГТУ. – URL: https://www.tstu.ru/dstore/scientific_journals/kireev.pdf (дата обращения: 13.10.2025).
51. ИСПОЛЬЗОВАНИЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ В ДИАГНОСТИКЕ ЭЛЕКТРООБОРУДОВАНИЯ // Elibrary. – URL: https://www.elibrary.ru/item.asp?id=50550882 (дата обращения: 13.10.2025).
52. 9 ключевых алгоритмов машинного обучения простым языком // Хабр. – URL: https://habr.com/ru/articles/509206/ (дата обращения: 13.10.2025).