The 24 reference contexts in paper A. Karpenko P., I. Sobenin A., V. Harlamov V., А. Карпенко П., В. Харламов В., И. Собенин А. (2016) “Программная система АОРТА для автоматизации исследований в области оценки предрасположенности пациента к атеросклерозу на основе генетических и фенотипических маркеров // AORTA software system for automation of investigation in the field of estimating patient’s predisposition for atherosclerosis on the basis of genetic and phenotypic markers” / spz:neicon:technomag:y:2014:i:1:p:224-249

  1. Start
    1106
    Prefix
    Исследования имеют целью нахождение взаимосвязи между соматическими мутациями митохондриального генома в клетках стенки аорты и степенью выраженности атеросклеротического поражения участков аорты
    Exact
    [1]
    Suffix
    . Митохондриальные мутации выявлены при различных патологиях, таких как стеноз коронарных сосудов, некоторые формы диабета и глухоты, атеросклероз, инфаркт миокарда, кардиомиопатия.
    (check this in PDF content)

  2. Start
    2261
    Prefix
    Для определения критического уровня гетероплазмиимитохондриальных мутаций, ассоциированных с возникновением и развитием патологий в организме человека, разработан метод прямой количественной оценки митохон дриального генома
    Exact
    [1]
    Suffix
    . В качестве исходных данных для изучения роли полиморфизмов митохондриальной ДНК в формировании атеросклеротических поражений артерий человека система АОРТА использует количественные показатели степени выраженности атеросклеротического поражения и митохондриальных мутаций, а также геометрические формы изучаемых областей аорты.
    (check this in PDF content)

  3. Start
    6790
    Prefix
    В нашем случае в качестве признака точки можно использовать её цвет. Метрикой может служить евклидово расстояние между векторами в пространстве признаков. Наиболее известным методом кластерного анализа является итерационный метод k-средних
    Exact
    [3]
    Suffix
    . Метод гарантированно сходится, но может не привести к глобально оптимальному решению (в смысле критерия наименьшей квадратичной ошибки сегментации). Результат функционирования метода зависит от начального приближения к решению и значения k.
    (check this in PDF content)

  4. Start
    7319
    Prefix
    Гистограммные методы представляют собой не итерационный вариант методов кластеризации. Методы данного класса основаны на поиске минимумов и максимумов гистограммы цвета или яркости пикселей изображения, то есть функционируют непосредственно в пространстве изображения
    Exact
    [3]
    Suffix
    . Методы разделения и слияния областей включают в себя в качестве основных этапы дробления и слияния [5]. Дробление начинается с произвольного разбиения изображения на области и продолжается до тех пор, пока не будет получено разбиение, удовлетворяющее некоторому критерию однородности областей.
    (check this in PDF content)

  5. Start
    7434
    Prefix
    Методы данного класса основаны на поиске минимумов и максимумов гистограммы цвета или яркости пикселей изображения, то есть функционируют непосредственно в пространстве изображения [3]. Методы разделения и слияния областей включают в себя в качестве основных этапы дробления и слияния
    Exact
    [5]
    Suffix
    . Дробление начинается с произвольного разбиения изображения на области и продолжается до тех пор, пока не будет получено разбиение, удовлетворяющее некоторому критерию однородности областей.
    (check this in PDF content)

  6. Start
    8536
    Prefix
    Присоединяем к полученным точкам соседние точки изображения, если они удовлетворяют некоторому критерию. Процесс роста областей (regiongrowing) останавливаем в случае, если ни одна точка изображения не может быть присоединена ни к одной из областей
    Exact
    [6]
    Suffix
    . В качестве указанного критерия может быть использована, например, некоторая мера близости пикселя к центру области. Методы выделения границ. В данном подходе задача сегментации формулируется как задача поиска границ областей.
    (check this in PDF content)

  7. Start
    9226
    Prefix
    Из-за шумов измерения, неоднородности освещения и прочих эффектов непрерывность границ областей нарушается. В результате алгоритмы обнаружения контуров приходится дополнять процедурами, обеспечивающими связанность полученных границ областей
    Exact
    [5]
    Suffix
    . Методы сегментации по морфологическим водоразделам основаны на представлении изображения в виде трёхмерной поверхности, заданной двумя пространственными координатами и уровне м яркости в качестве высоты поверхности (рельефа) [5].
    (check this in PDF content)

  8. Start
    9470
    Prefix
    Методы сегментации по морфологическим водоразделам основаны на представлении изображения в виде трёхмерной поверхности, заданной двумя пространственными координатами и уровне м яркости в качестве высоты поверхности (рельефа)
    Exact
    [5]
    Suffix
    . На указанной поверхности выделяют точки локальных максимумов, совокупность которых образует так называемые линии водораздела, принимаемые за искомые границы областей. Методы, основанные на теории графов.
    (check this in PDF content)

  9. Start
    10141
    Prefix
    Сегментация изображения в результате сводится к поиску разреза графа минимальной «стоимости», которая формализует качество полученной сегментации. Примерами методов данного класса является метод нормированного разреза NC (normalizedcut)
    Exact
    [7]
    Suffix
    , а также метод сегментации SWA (SegmentationbyWeightedAggregation) [8]. Нейросетевые методы образуют класс перспективных методов сегментации изображения. В настоящее время число публикаций, посвящённых этим методам, невелико.
    (check this in PDF content)

  10. Start
    10215
    Prefix
    Сегментация изображения в результате сводится к поиску разреза графа минимальной «стоимости», которая формализует качество полученной сегментации. Примерами методов данного класса является метод нормированного разреза NC (normalizedcut) [7], а также метод сегментации SWA (SegmentationbyWeightedAggregation)
    Exact
    [8]
    Suffix
    . Нейросетевые методы образуют класс перспективных методов сегментации изображения. В настоящее время число публикаций, посвящённых этим методам, невелико. В работе [9] представлена нейронная сеть, реализующая автоматический выбор глобального порога бинаризации для промышленной видеосистемы.
    (check this in PDF content)

  11. Start
    10392
    Prefix
    Примерами методов данного класса является метод нормированного разреза NC (normalizedcut) [7], а также метод сегментации SWA (SegmentationbyWeightedAggregation) [8]. Нейросетевые методы образуют класс перспективных методов сегментации изображения. В настоящее время число публикаций, посвящённых этим методам, невелико. В работе
    Exact
    [9]
    Suffix
    представлена нейронная сеть, реализующая автоматический выбор глобального порога бинаризации для промышленной видеосистемы. В работе [10] предложен метод отыскания локального порога бинаризации, использующий самоорганизующуюся карту Кохонена и предназначенный для увеличения чёткости символов в документах.
    (check this in PDF content)

  12. Start
    10542
    Prefix
    В настоящее время число публикаций, посвящённых этим методам, невелико. В работе [9] представлена нейронная сеть, реализующая автоматический выбор глобального порога бинаризации для промышленной видеосистемы. В работе
    Exact
    [10]
    Suffix
    предложен метод отыскания локального порога бинаризации, использующий самоорганизующуюся карту Кохонена и предназначенный для увеличения чёткости символов в документах. Наши эксперименты с указанными методами сегментации изображения показали, что ни один из них не может с удовлетворительной точностью выполнить, как автоматическое, так и автоматизированное выделение границ областей
    (check this in PDF content)

  13. Start
    12598
    Prefix
    Аналогично определяем 8N-путь от пикселя ),(cr′′ к пикселю (,)cr. Связную компоненту (connectedcomponent) пиксельного массива B со значением v образует множество C пикселей, имеющих значения v, каждая пара которых является связной по значению v
    Exact
    [11]
    Suffix
    . Во введенных обозначениях задача маркировки связных компонентов бинарного массива B формулируется следующим образом: выделить в данном массиве все связные компоненты и сформировать маркированное изображение, в котором каждому пикселю изображения присвоена метка (уникальный идентификатор) связной компоненты, которой принадлежит данный пиксель.
    (check this in PDF content)

  14. Start
    13032
    Prefix
    связных компонентов бинарного массива B формулируется следующим образом: выделить в данном массиве все связные компоненты и сформировать маркированное изображение, в котором каждому пикселю изображения присвоена метка (уникальный идентификатор) связной компоненты, которой принадлежит данный пиксель. Алгоритмы выделения связных компонентов разделяют на пять следующие классов
    Exact
    [11]
    Suffix
    : многопроходные, двухпроходные, однопроходные, алгоритмы с использованием иерархических структур представления изображения, параллельные алгоритмы. Многопроходные алгоритмы используют многократное сканирование изображения [12].
    (check this in PDF content)

  15. Start
    13262
    Prefix
    Алгоритмы выделения связных компонентов разделяют на пять следующие классов [11]: многопроходные, двухпроходные, однопроходные, алгоритмы с использованием иерархических структур представления изображения, параллельные алгоритмы. Многопроходные алгоритмы используют многократное сканирование изображения
    Exact
    [12]
    Suffix
    . Скорость работы этих алгоритмов может быть повышена путем использования таблицы связности (connectiontable) [13]. Двухпроходные алгоритмы представляют собой классические алгоритмы выделения связных компонентов [14].
    (check this in PDF content)

  16. Start
    13376
    Prefix
    компонентов разделяют на пять следующие классов [11]: многопроходные, двухпроходные, однопроходные, алгоритмы с использованием иерархических структур представления изображения, параллельные алгоритмы. Многопроходные алгоритмы используют многократное сканирование изображения [12]. Скорость работы этих алгоритмов может быть повышена путем использования таблицы связности (connectiontable)
    Exact
    [13]
    Suffix
    . Двухпроходные алгоритмы представляют собой классические алгоритмы выделения связных компонентов [14]. Алгоритмы требуют вспомогательной таблицы высокой размерности для хранения информации о метках, что сужает область их использования.
    (check this in PDF content)

  17. Start
    13479
    Prefix
    Скорость работы этих алгоритмов может быть повышена путем использования таблицы связности (connectiontable) [13]. Двухпроходные алгоритмы представляют собой классические алгоритмы выделения связных компонентов
    Exact
    [14]
    Suffix
    . Алгоритмы требуют вспомогательной таблицы высокой размерности для хранения информации о метках, что сужает область их использования. Известно большое число модификаций классических алгоритмов, направленных на преодоление указанных недостатков.
    (check this in PDF content)

  18. Start
    14618
    Prefix
    В первом случае алгоритм носит название алгоритма с поиском в ширину (BreadthFirstSearch, BFS), а во втором случае – алгоритма с поиском в глубину (Depth-FirstSearch, DFS). Одним из наиболее эффективных однопроходных алгоритмов является алгоритм обхода контуров (contourtracing), предложенный в работе
    Exact
    [15]
    Suffix
    . Известный высокоэффективный метод представления изображения -метод кодирования длин серий (Run-LengthEncoding, RLE) [16]. Многие алгоритмы отыскания связных компонентов могут быть реализованы с использованием этого метода [17].
    (check this in PDF content)

  19. Start
    14744
    Prefix
    Одним из наиболее эффективных однопроходных алгоритмов является алгоритм обхода контуров (contourtracing), предложенный в работе [15]. Известный высокоэффективный метод представления изображения -метод кодирования длин серий (Run-LengthEncoding, RLE)
    Exact
    [16]
    Suffix
    . Многие алгоритмы отыскания связных компонентов могут быть реализованы с использованием этого метода [17]. Достоинством методов данного класса является их высокая производительность [18]. В силу высокой эффективности и простоты реализации в комплексе АОРТА используем однопроходный алгоритм DFS, имеющий cложность O(n), где n – число пикселей изображения. 2.3.
    (check this in PDF content)

  20. Start
    14851
    Prefix
    Известный высокоэффективный метод представления изображения -метод кодирования длин серий (Run-LengthEncoding, RLE) [16]. Многие алгоритмы отыскания связных компонентов могут быть реализованы с использованием этого метода
    Exact
    [17]
    Suffix
    . Достоинством методов данного класса является их высокая производительность [18]. В силу высокой эффективности и простоты реализации в комплексе АОРТА используем однопроходный алгоритм DFS, имеющий cложность O(n), где n – число пикселей изображения. 2.3.
    (check this in PDF content)

  21. Start
    14932
    Prefix
    Известный высокоэффективный метод представления изображения -метод кодирования длин серий (Run-LengthEncoding, RLE) [16]. Многие алгоритмы отыскания связных компонентов могут быть реализованы с использованием этого метода [17]. Достоинством методов данного класса является их высокая производительность
    Exact
    [18]
    Suffix
    . В силу высокой эффективности и простоты реализации в комплексе АОРТА используем однопроходный алгоритм DFS, имеющий cложность O(n), где n – число пикселей изображения. 2.3. Построение графа смежности областей маркированного изображения.
    (check this in PDF content)

  22. Start
    15688
    Prefix
    Информацию о смежных областях изображения обычно представляют в виде графа смежности областей (RegionAdjacencyGraph, RAG), в котором каждый узел соответствует некоторой области изображения, а рёбра связывают пары узлов, соответствующие смежным областям. В комплексе АОРТА используется алгоритм построения графа смежности областей, представленный в работе
    Exact
    [3]
    Suffix
    . Алгоритм обрабатывает изображение порциями по две строки, обнаруживая горизонтальную и вертикальную смежности, а если рассматривается 8N-соседство, то также - диагональную смежность. При обнаружении новой смежности областей в граф RAG добавляется новое ребро. 2.4.
    (check this in PDF content)

  23. Start
    17444
    Prefix
    Поэтому метод приходится использовать в комбинации с методом мультистарта, когда процесс поиска лучшего разбиения повторяется многократно, исходя из различных начальных разбиений. Метод разбиения с учетом связности(LevelizedNestedDissection, LND) используют для отыскания такой бисекции графа, которая обеспечивает равенство чисел узлов в результирующих подграфах
    Exact
    [19]
    Suffix
    . Метод чувствителен к выбору начальной вершины, и его, как и предыдущий метод, приходится комбинировать с методом мультистарта. Для разбиения графа на произвольное число подграфов метод применяется рекурсивно.
    (check this in PDF content)

  24. Start
    17980
    Prefix
    Спектральный алгоритм бисекции графа использует два критерия оптимальности разбиения – минимум числа разрезанных рёбер и минимум разности между числами вершин в разных подграфах. Алгоритм основан на анализе собственного вектора, соответствующего второму по величине собственному значению матрицы Лапласа исходного графа
    Exact
    [3]
    Suffix
    . Известны обобщения данного алгоритма, которые выполняют разбиение исходного графа на четыре подграфа (quadrisection) и на восемь подграфов (octasection). Для разбиения графа на произвольное число подграфов указанный алгоритм следует применять рекурсивно.
    (check this in PDF content)