Введение 3
Постановка задачи 5
Обзор литературы 5
Глава 1. Технологии цифровизации медицинских данных 7
1.1 Стандарт DICOM 7
1.2 Стандарт DICOMweb 8
Глава 2. Средства разработки 10
2.1 Обоснование выбора и описание средств 10
2.2 Дополнительные средства 11
Глава 3. Разработка информационной системы 13
3.1 Проектирование информационной системы 13
3.2 Выбор архитектуры информационной системы 17
3.3 Разработка клиентской части приложения 18
3.4 Разработка серверной части приложения 25
Глава 4. Применение информационной системы 27
4.1 Загрузка и разметка исследования 28
4.2 Создание маски для обработки в Python 31
Выводы 33
Заключение 33
Список литературы 34
Приложение 37
Стремительное развитие компьютерных технологий влияет на различные сферы науки и производства. Рассмотрим медицинскую отрасль, а именно - медицинские изображения. Современные радиологические центры или клинические отделения оснащены множеством цифровых устройств. Такая модернизация отделений в первую очередь обязана современным процедурам компьютерной томографии и магнитно-резонансной томографии [9]. Очевидно, что многочисленные аппараты для диагностики во всем мире генерируют множество медицинских изображений и документов, которые требуют систематизации.
Для решения этой задачи был разработан стандарт создания, хранения, передачи и визуализации цифровых медицинских изображений и документов обследованных пациентов - DICOM (Digital Imaging and Communications in Medicine). Медицинские изображения, использующие стандарт DICOM, называются DICOM изображениями.
Аппараты диагностики и рабочие электронно-вычислительные машины обмениваются информацией посредством PACS систем (Picture Archiving and Communication System). Такие системы передачи и архивации DICOM изображений предполагают создание специальных удалённых архивов на DICOM серверах, где хранятся DICOM архивы, которые доступны для поиска и просмотра с рабочих машин.
Для взаимодействия с прикладными WEB-приложениями был разработан стандарт DICOMweb, который использует привычные для приложений механизмы, такие как HTTP (HyperText Transfer Protocol - сетевой протокол передачи данных), JSON (JavaScript Object Notation - текстовый формат структурированных данных, основанный на JavaScript) и типы мультимедиа (например, "image/jpeg").
В связи с развитием машинного обучения стали появляться задачи, связанные с анализом медицинских данных, в том числе и исследований в формате DICOM. Сегментация изображений является одной из важных задач в анализе изображений, т.к. это один из первых шагов в распознавании изображений, и последующие шаги, такие как извлечение образов или классификация значительно зависят от результатов сегментации [20]. Подобные задачи рассматриваются в работах многих авторов, например, задачу сегментации медицинского изображения - автоматическое выделение легких на снимках КТ - решает автор работы [3]. Так же в [8] используются снимки МРТ сердца для автоматической сегментации левого желудочка и расчета фракции выброса. В статьях [2] и [4] медицинские изображения используются для тренировки сверточной нейронной сети типа U-Net, и последующего установления наличия заболевания. Одним из типов подобных задач является анализ предварительно размеченных контурами участков изображения. Такая задача может возникнуть, например, при выявлении корреляции диагноза и сегмента изображения, на котором присутствует конкретный орган. На данный момент присутствует дефицит инструментов, которые предоставляли бы инструментарий PACS системы и оконтуривания DICOM изображений, с возможностью экспорта данных и последующего редактирования контуров, сохраненных в системе. Это позволяет утверждать, что разработка такого инструмента является актуальной.
В данной работе планируется рассмотреть технологии DICOM, PACS и DICOMweb, а также разработать инструмент для работы с изображениями в DICOM формате с функционалом разметки изображений.
Была разработана система для разметки медицинских данных DICOM- формата. Задачи, поставленные для достижения цели, были выполнены: был проведен анализ существующих программных решений, на основе которого были сформулированы требования к разрабатываемой системе. Сама система была спроектирована и разработана со следующим функционалом: загрузка, хранение и поиск по исследованиям в системе, работа с исследованиями - просмотр исследований, создание, редактирование и экспортирование контуров. Функционал системы был протестирован - была создана дополнительная программа на языке Python, выполняющая маскирование изображения для возможного дальнейшего решения задач обработки с помощью нейронных сетей.
