Veuillez utiliser cette adresse pour citer ce document :
http://elartu.tntu.edu.ua/handle/lib/52475| Titre: | Метод та програмно-апаратний засіб підвищення якості інтраскопічних зображень в умовах неоднорідного освітлення та нестаціонарних деградацій |
| Autre(s) titre(s): | Method and Software-Hardware Tool for Enhancing the Quality of Intrascopic Images under Conditions of Non-Uniform Illumination and Non- Stationary Degradations |
| Auteur(s): | Гринюк, Іван Олександрович Hryniuk, I.O. |
| Affiliation: | Тернопільський національний технічний університет імені І. Пулюя |
| Bibliographic reference (2015): | Гринюк І.О. Метод та програмно-апаратний засіб підвищення якості інтраскопічних зображень в умовах неоднорідного освітлення та нестаціонарних деградацій : дис. ... доктора філософії : 163. Тернопіль, 2026. 135 с. |
| Date de publication: | 2026 |
| Date of entry: | 18-jui-2026 |
| Editeur: | Тернопільський національний технічний університет ім. І. Пулюя |
| Country (code): | UA |
| Place of the edition/event: | Тернопіль |
| Science degree: | доктор філософії |
| Level thesis: | докторська дисертація |
| Code and name of the specialty: | 163 - біомедична інженерія |
| Institution defense: | Тернопільський національний технічний університет |
| Supervisor: | Яворська, Євгенія Богданівна |
| UDC: | 004.932 616-073 57.087 |
| Mots-clés: | інтраскопічна діагностика обробка медичних зображень багатокритеріальна оптимізація адаптивний просторово-частотний метод компенсація освітлення нестаціонарні деградації біомедична інженерія intrascopic diagnostics medical image processing multicriteria optimization adaptive spatial-frequency method illumination compensation non- stationary degradations biomedical engineering |
| Number of pages: | 135 |
| Résumé: | Гринюк І.О. Метод та програмно-апаратний засіб підвищення якості
інтраскопічних зображень в умовах неоднорідного освітлення та
нестаціонарних деградацій. – Кваліфікаційна наукова праця на правах
рукопису.
Дисертація на здобуття ступеня доктора філософії за спеціальністю 163
– Біомедична інженерія. Тернопільський національний технічний університет
імені Івана Пулюя, Тернопіль, 2026.
Підготовка здійснювалась на кафедрі біотехнічних систем
Тернопільського національного технічного університету імені Івана Пулюя
Міністерства освіти і науки України.
Дисертаційну роботу присвячено розв’язанню актуальної науково-
практичної задачі біомедичної інженерії, що полягає у розробленні та
науковому обґрунтуванні адаптивного багатокритеріального просторово-
частотного методу і програмного засобу підвищення якості інтраскопічних
зображень в умовах неоднорідного освітлення та нестаціонарних деградацій.
Інтраскопічні системи функціонують в умовах змінного освітлення,
оптичного розсіювання в тканинах, наявності біологічних рідин, відблисків та
артефактів руху. Традиційні методи підвищення якості зображень не повною
мірою враховують фізичні особливості формування інтраскопічного сигналу,
що може призводити до втрати анатомічно значущих структур або появи
штучних артефактів. У зв’язку з цим актуальним є розроблення
спеціалізованих адаптивних методів обробки, орієнтованих на збереження
діагностично важливої інформації.
Актуальність теми зумовлена зростанням ролі інтраскопічних методів у
клінічній практиці та необхідністю забезпечення високої діагностичної
інформативності зображень, що формуються у складному біологічному
середовищі та зазнають впливу мультиплікативної неоднорідності освітлення,
адитивно-мультиплікативних шумів і оптичних спотворень.
Особливо важливим є забезпечення стабільної якості інтраскопічних
зображень засобами цифрової обробки, оскільки програмна компенсація
деградацій дозволяє підвищити інформативність зображення без зміни
апаратної конфігурації системи.
Метою дослідження є розроблення та наукове обґрунтування методу і
програмно-апаратного засобу підвищення якості інтраскопічних зображень в
умовах складних оптичних та шумових спотворень.
Об’єкт дослідження – процес формування та обробки інтраскопічних
зображень у системах медичної діагностики в умовах неоднорідного
освітлення та нестаціонарних деградацій.
Предмет дослідження – методи та програмно-апаратні засоби
підвищення якості інтраскопічних зображень на основі адаптивної
просторово-частотної компенсації деградаційних спотворень.
У першому розділі здійснено аналітичний огляд сучасних
інтраскопічних діагностичних систем та методів підвищення якості медичних
зображень. Проаналізовано фізичні фактори деградації, зокрема
неоднорідність освітлення, адитивні та адитивно-мультиплікативні шумові
складові, оптичні спотворення та артефакти руху. Встановлено обмеження
класичних методів фільтрації та обґрунтовано необхідність формалізованої
багатокритеріальної постановки задачі.
У другому розділі розроблено математичну модель формування
інтраскопічного зображення, що описує взаємодію мультиплікативної
складової освітлення та шумових компонент. На основі цієї моделі задачу
підвищення якості сформульовано як задачу багатокритеріальної оптимізації.
Розроблено адаптивний просторово-частотний метод, який поєднує
логарифмічну компенсацію освітлення та багатомасштабний аналіз із
локально-адаптивною модифікацією коефіцієнтів. Проведений аналіз показав
стійкість методу до нестаціонарних деградацій та змін умов формування
зображення. У третьому розділі розроблено алгоритмічну структуру
запропонованого методу та реалізовано програмний модуль у середовищі
MATLAB, що забезпечує можливість повторної перевірки результатів та
подальшої інтеграції розробленого модуля до медичних діагностичних систем.
У четвертому розділі проведено експериментальні дослідження
ефективності запропонованого методу. Виконано порівняльний аналіз із
класичними методами обробки. За результатами об’єктивного оцінювання
встановлено покращення показників структурної подібності (SSIM),
контрастності (CNR) та стійкості до шумових деградацій порівняно з
класичними методами цифрової обробки.
Наукова новизна одержаних результатів. У дисертаційній роботі
одержано такі нові наукові результати:
1. Запропоновано адаптивний багатокритеріальний просторово-
частотний метод підвищення якості інтраскопічних зображень, який, на
відміну від існуючих підходів, базується на фізично обґрунтованій
математичній моделі формування зображення та забезпечує узгоджену
обробку у просторовій і частотній областях з урахуванням локальних
характеристик зображення. Запропонований підхід забезпечує підвищення
інформативності інтраскопічних зображень за рахунок узгодженої
компенсації локальних контрастних та шумових спотворень.
2. Вперше сформульовано багатокритеріальну постановку задачі
підвищення якості інтраскопічних зображень, яка, на відміну від відомих,
одночасно враховує критерії структурної подібності, контрастності та
збереження меж, що дозволило забезпечити баланс між пригніченням шумів
та збереженням дрібних структурних елементів.
3. Удосконалено підхід до обробки інтраскопічних зображень в умовах
неоднорідного освітлення та нестаціонарних завад, який, на відміну від
існуючих методів, враховує просторову варіативність освітлення та
використовує адаптивну нормалізацію на основі локальних статистичних
характеристик, що забезпечує підвищення стійкості обробки та зменшення
втрати дрібних структурних деталей.
4. Удосконалено математичну модель формування інтраскопічного
зображення, яка, на відміну від відомих моделей, враховує мультиплікативну
складову освітлення та адитивно-мультиплікативний характер шумів, що
дозволило більш адекватно описати процес формування зображення в
реальних умовах інтраскопічної діагностики та підвищити точність подальшої
обробки.
5. Набули подальшого розвитку методи оцінювання якості
інтраскопічних зображень, які, на відміну від існуючих, доповнено
комплексним використанням метрик PSNR, SSIM, CNR та ROC-аналізу із
статистичною перевіркою значущості результатів, що дало змогу підвищити
об’єктивність оцінювання ефективності методів обробки.
Практичне значення одержаних результатів полягає у можливості
інтеграції розробленого програмного модуля в існуючі інтраскопічні
діагностичні системи без модифікації їх апаратної частини, що забезпечує
можливість покращення візуалізації анатомічних структур та підвищення
достовірності попереднього аналізу медичних зображень у клінічній практиці.
Основні положення дисертації апробовано на міжнародних і
всеукраїнських науково-практичних конференціях. За результатами
дослідження опубліковано 6 наукових праць, з яких 3 статті у фахових
виданнях та 3 матеріали конференцій Hryniuk I.O. Method and Software-Hardware Tool for Enhancing the Quality of Intrascopic Images under Conditions of Non-Uniform Illumination and Non- Stationary Degradations. Dissertation for the degree of Doctor of Philosophy in specialty 163 – Biomedical Engineering. Ternopil Ivan Puluj National Technical University, Ternopil, 2026. The dissertation is devoted to solving an актуal scientific and practical problem in biomedical engineering, which consists in the development and scientific substantiation of an adaptive multicriteria spatial-frequency method and software tool for enhancing the quality of intrascopic images under conditions of non-uniform illumination and non-stationary degradations. Intrascopic systems operate under conditions of variable illumination, optical scattering in tissues, the presence of biological fluids, glare, and motion artifacts. Traditional image enhancement methods do not fully take into account the physical features of intrascopic signal formation, which may lead to the loss of anatomically significant structures or the appearance of artificial artifacts. In this regard, the development of specialized adaptive processing methods focused on preserving diagnostically important information is of considerable relevance. The relevance of the research topic is determined by the growing role of intrascopic methods in clinical practice and the need to ensure high diagnostic informativeness of images formed in a complex biological environment and affected by multiplicative illumination non-uniformity, additive-multiplicative noise, and optical distortions. Ensuring stable quality of intrascopic images using digital processing methods is particularly important, since software-based compensation of degradations makes it possible to improve image informativeness without changing the hardware configuration of the system. The aim of the research is to develop and scientifically substantiate a method and a software-hardware tool for enhancing the quality of intrascopic images under conditions of complex optical and noise distortions. The object of the research is the process of formation and processing of intrascopic images in medical diagnostic systems under conditions of non-uniform illumination and non-stationary degradations. The subject of the research is methods and software-hardware tools for enhancing the quality of intrascopic images based on adaptive spatial-frequency compensation of degradation distortions. The first chapter presents an analytical review of modern intrascopic diagnostic systems and methods for enhancing the quality of medical images. Physical degradation factors, including illumination non-uniformity, additive and additive-multiplicative noise components, optical distortions, and motion artifacts, are analyzed. The limitations of classical filtering methods are identified, and the necessity of a formalized multicriteria problem formulation is substantiated. The second chapter develops a mathematical model of intrascopic image formation that describes the interaction between the multiplicative illumination component and noise components. Based on this model, the image enhancement problem is formulated as a multicriteria optimization problem. An adaptive spatial- frequency method combining logarithmic illumination compensation and multiscale analysis with locally adaptive coefficient modification is developed. The robustness of the method to non-stationary degradations and its invariance to changes in image formation conditions are theoretically substantiated. The third chapter develops the algorithmic structure of the proposed method and implements a software module in the MATLAB environment, which provides the possibility of repeated verification of the obtained results and further integration of the developed module into medical diagnostic systems. The fourth chapter presents experimental studies of the effectiveness of the proposed method. A comparative analysis with classical processing methods is performed. According to the results of objective evaluation, improvements in structural similarity (SSIM), contrast (CNR), and robustness to noise degradations compared to classical digital image processing methods are established. Scientific novelty of the obtained results. The dissertation presents the following new scientific results: 1. An adaptive multicriteria spatial-frequency method for enhancing the quality of intrascopic images is proposed. Unlike existing approaches, the proposed method is based on a physically substantiated mathematical model of image formation and provides coordinated processing in spatial and frequency domains while taking into account local image characteristics. The proposed approach improves the informativeness of intrascopic images through coordinated compensation of local contrast and noise distortions. 2. For the first time, a multicriteria formulation of the problem of enhancing the quality of intrascopic images has been developed. Unlike existing approaches, it simultaneously considers the criteria of structural similarity, contrast, and edge preservation, which made it possible to achieve a balance between noise suppression and preservation of fine structural elements. 3. The approach to processing intrascopic images under conditions of non- uniform illumination and non-stationary noise has been improved. In contrast to existing methods, the proposed approach takes into account spatial illumination variability and uses adaptive normalization based on local statistical characteristics, which increases processing robustness and reduces the loss of fine structural details. 4. The mathematical model of intrascopic image formation has been improved. Unlike known models, it takes into account the multiplicative illumination component and the additive-multiplicative nature of noise, which made it possible to more adequately describe the process of image formation under real conditions of intrascopic diagnostics and improve the accuracy of further processing. 5. Methods for assessing the quality of intrascopic images have been further developed. Unlike existing approaches, they are supplemented by the integrated use of PSNR, SSIM, CNR metrics and ROC analysis with statistical significance testing of the obtained results, which increased the objectivity of evaluating the effectiveness of processing methods. The practical significance of the obtained results lies in the possibility of integrating the developed software module into existing intrascopic diagnostic systems without modification of their hardware components, which provides improved visualization of anatomical structures and increases the reliability of preliminary analysis of medical images in clinical practice. The main provisions of the dissertation were tested at international and national scientific and practical conferences. Based on the research results, 6 scientific publications were published, including 3 articles in professional scientific journals and 3 conference proceedings |
| Description: | Подається на здобуття ступеня доктора філософії Дисертація містить результати власних досліджень. Використання ідей, результатів і текстів інших авторів мають посилання на відповідне джерело |
| Content: | ВСТУП ...19 РОЗДІЛ 1. АНАЛІЗ СУЧАСНИХ СИСТЕМ ІНТРАСКОПІЧНОЇ ДІАГНОСТИКИ ТА МЕТОДІВ ПІДВИЩЕННЯ ЯКОСТІ ЗОБРАЖЕНЬ ...27 1.1 Системи інтраскопічної діагностики та особливості формування зображень ...27 1.2 Основні фактори деградації інтраскопічних зображень ...30 1.3 Огляд класичних методів підвищення якості медичних зображень. 36 1.4 Сучасні адаптивні та інтелектуальні методи підвищення якості інтраскопічних зображень ...40 1.5 Порівняльний аналіз підходів та обґрунтування напряму досліджень...45 Висновки до розділу 1 ...53 РОЗДІЛ 2. МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ ТА РОЗРОБКА МЕТОДУ ПІДВИЩЕННЯ ЯКОСТІ ІНТРАСКОПІЧНИХ ЗОБРАЖЕНЬ ...55 2.1 Математична модель формування інтраскопічного зображення ... 55 2.2 Постановка задачі підвищення якості інтраскопічних зображень ... 60 2.3 Розробка запропонованого методу підвищення якості інтраскопічних зображень ...63 2.4 Теоретичне обґрунтування ефективності запропонованого методу...68 Висновки до розділу 2 ...72 РОЗДІЛ 3. ПРОГРАМНО-АПАРАТНИЙ ЗАСІБ РЕАЛІЗАЦІЇ МЕТОДУ ПІДВИЩЕННЯ ЯКОСТІ ІНТРАСКОПІЧНИХ ЗОБРАЖЕНЬ ...73 3.1 Загальна архітектура програмно-апаратного засобу ...74 3.2 Структура програмного забезпечення ...76 3.3 Алгоритмічний pipeline обробки інтраскопічних зображень ...83 3.4 Особливості реалізації в середовищі MATLAB R2014a ...84 3.5 Інтеграція програмно-апаратного засобу у системи інтраскопічної діагностики ...88 Висновки до розділу 3 ...90 РОЗДІЛ 4. ЕКСПЕРИМЕНТАЛЬНЕ ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ МЕТОДУ ПІДВИЩЕННЯ ЯКОСТІ ІНТРАСКОПІЧНИХ ЗОБРАЖЕНЬ ...92 4.1 Методика проведення експериментальних досліджень...92 4.2 Набір тестових інтраскопічних зображень ...93 4.3 Методи порівняння ...95 4.4.Кількісне оцінювання якості інтраскопічних зображень ...98 4.5 Статистичний аналіз результатів ...111 Висновки до розділу 4 ...120 ВИСНОВКИ ...123 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ...126 ДОДАТКИ ...137 |
| URI/URL: | http://elartu.tntu.edu.ua/handle/lib/52475 |
| Copyright owner: | © Гринюк Іван Олександрович, 2026 |
| References (Ukraine): | 1. Ledley R. S. Medical imaging systems. Englewood Cliffs : Prentice-Hall, 1983. 416 p. 2. Bushberg J. T., Seibert J. A., Leidholdt E. M., Boone J. M. The essential physics of medical imaging. 3rd ed. Philadelphia : Lippincott Williams & Wilkins, 2012. 1064 p. 3. Rangayyan R. M. Biomedical image analysis. Boca Raton : CRC Press, 2005. 680 p. 4. Suetens P. Fundamentals of medical imaging. 3rd ed. Cambridge : Cambridge University Press, 2017. 588 p. 5. Doi K. Computer-aided diagnosis in medical imaging: historical review, current status and future potential. Computerized Medical Imaging and Graphics. 2007. Vol. 31, No. 4–5. P. 198–211. DOI: 10.1016/j.compmedimag.2007.02.002. 6. Duncan J. S., Ayache N. Medical image analysis: progress over two decades and the challenges ahead. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2000. Vol. 22, No. 1. P. 85–106. DOI: 10.1109/34.824822. 7. Deserno T. M. Biomedical image processing. Berlin ; Heidelberg : Springer, 2011. 550 p. 8. Acharya U. R., Ng E. Y.-K., Sree S. V. Biomedical image processing and analysis. Boca Raton : CRC Press, 2019. 446 p. 9. Dougherty G. Digital image processing for medical applications. Cambridge : Cambridge University Press, 2009. 458 p. 10. Gonzalez R. C., Woods R. E. Digital image processing. 4th ed. Harlow : Pearson, 2018. 1024 p. 11. Russ J. C. The image processing handbook. 7th ed. Boca Raton : CRC Press, 2016. 944 p. 12. Sonka M., Hlavac V., Boyle R. Image processing, analysis, and machine vision. 4th ed. Boston : Cengage Learning, 2014. 840 p. 13. Szeliski R. Computer vision: algorithms and applications. 2nd ed. Cham : Springer, 2022. 832 p. 14. Pratt W. K. Digital image processing. 4th ed. Hoboken : Wiley, 2007. 782 p. 15. Jalote P. An integrated approach to software engineering. 3rd ed. New York : Springer, 2005. 560 p. 16. Arezzo A., Vettoretto N., Francis N. K. et al. The use of 3D laparoscopic imaging systems in surgery: EAES systematic review. Surgical Endoscopy. 2019. Vol. 33, No. 10. P. 3251–3274. DOI: 10.1007/s00464-019-06922-7. 17. Neumann H., Bisschops R., Coron E. et al. Advanced imaging for detection and differentiation of colorectal neoplasia: European Society of Gastrointestinal Endoscopy guideline. Endoscopy. 2019. Vol. 51, No. 12. P. 1155– 1179. DOI: 10.1055/a-1031-7657. 18. Vysotska O., Nosov K., Hnoevyi I., Porvan A., Rysovana L. Image processing procedure for remote recording of the Gambusia sp. introduced into a water for anti-malaria. Technology Audit and Production Reserves. 2022. Vol. 1, No. 2(63). P. 14–18. 19. Litvinenko O., Paliy V., Vysotska O., Vishtak I., Kumargazhanova S. Polarization tomography of the polycrystalline structure of histological sections of human organs in determination of the old damage. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska. 2022. Vol. 12, No. 4. P. 31–34. DOI: 10.35784/iapgos.3247. 20. Hassan C., Spadaccini M., Iannone A. et al. Performance of artificial intelligence in colonoscopy for adenoma and polyp detection: a systematic review and meta-analysis. Gastrointestinal Endoscopy. 2021. Vol. 93, No. 1. P. 77–85.e6. DOI: 10.1016/j.gie.2020.06.059. 21. Liang J., Yang Y., Zhang D. Endoscopic image enhancement based on decomposition and detail preservation. IEEE Access. 2020. Vol. 8. P. 152161– 152173. DOI: 10.1109/ACCESS.2020.3017774. 22. Dutta S. M., Bandyopadhyay S., Chanda B. Noise modeling and suppression in endoscopic images: a review. Biomedical Signal Processing and Control. 2019. Vol. 52. P. 30–45. 23. Fercher A. F., Drexler W., Hitzenberger C. K., Lasser T. Optical coherence tomography — principles and applications. Reports on Progress in Physics. 2003. Vol. 66, No. 2. P. 239–303. DOI: 10.1088/0034-4885/66/2/204. 24. Elson D. S., Glaser A. K., Durbha S. et al. Wide-field optical methods for surgical vision. Physics in Medicine and Biology. 2017. Vol. 62, No. 19. P. R1– R23. DOI: 10.1088/1361-6560/aa7f4f. 25. Land E. H., McCann J. J. Lightness and retinex theory. Journal of the Optical Society of America. 1971. Vol. 61, No. 1. P. 1–11. DOI: 10.1364/JOSA.61.000001. 26. Fu X., Zeng D., Huang Y. et al. A weighted variational model for simultaneous reflectance and illumination estimation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. P. 2782–2790. DOI: 10.1109/CVPR.2016.304. 27. Yang W., Wang S., Fang Y. et al. From fidelity to perceptual quality: a semi-supervised approach for low-light image enhancement. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020. P. 3063–3072. DOI: 10.1109/CVPR42600.2020.00313. 28. Maier-Hein L., Vedula S. S., Speidel S. et al. Surgical data science for next-generation interventions. Nature Biomedical Engineering. 2017. Vol. 1. Art. 691. DOI: 10.1038/s41551-017-0132-5. 29. Borgli H., Thambawita V., Smedsrud P. H. et al. HyperKvasir: a comprehensive multi-class image and video dataset for gastrointestinal endoscopy. Scientific Data. 2020. Vol. 7. Art. 283. DOI: 10.1038/s41597-020-00622-y. 30. Mallat S. A wavelet tour of signal processing: the sparse way. 3rd ed. Burlington : Academic Press, 2009. 832 p. 31. Daubechies I. Ten lectures on wavelets. Philadelphia : SIAM, 1992. 377 p. 32. Paris S., Kornprobst P., Tumblin J., Durand F. Bilateral filtering: theory and applications. Foundations and Trends in Computer Graphics and Vision. 2009. Vol. 4, No. 1. P. 1–73. DOI: 10.1561/0600000020. 33. Khvostivskyi M., Uniiat S. Combined use of wavelets and sliding window for pulse signal processing under physical load. Scientific Journal of the Ternopil National Technical University. 2025. Vol. 119, No. 3. P. 63–74. DOI: 10.33108/visnyk_tntu2025.03.063. 34. Mamyrbayev O., Pavlov S. et al. Hybrid neural architectures combining convolutional and recurrent networks for the early detection of retinal pathologies. Engineering, Technology & Applied Science Research. 2025. Vol. 15, No. 4. P. 25150–25157. 35. Mamyrbayev O., Pavlov S., Saldan Y., Momynzhanova K., Zhumagulova S. Optical and electronic expert system for diagnosing eye pathology in glaucoma. Applied Sciences. 2024. Vol. 14. Art. 7816. DOI: 10.3390/app14177816. 36. Vysotska O., Davydenko A., Potenko O. Modeling the mindfulness people’s function based on the recognition of biometric parameters by artificial intelligence elements. Radioelectronic and Computer Systems. 2023. No. 3. P. 136– 149. DOI: 10.32620/reks.2023.3.11. 37. Buades A., Coll B., Morel J.-M. A non-local algorithm for image denoising. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2005. Vol. 2. P. 60–65. DOI: 10.1109/CVPR.2005.38. 38. Dabov K., Foi A., Katkovnik V., Egiazarian K. Image denoising by sparse 3-D transform-domain collaborative filtering. IEEE Transactions on Image Processing. 2007. Vol. 16, No. 8. P. 2080–2095. DOI: 10.1109/TIP.2007.901238. 39. Bovik A. C. Handbook of image and video processing. 2nd ed. Burlington : Academic Press, 2005. 1170 p. 40. Astola J., Kuosmanen P. Fundamentals of nonlinear digital filtering. Boca Raton : CRC Press, 1997. 272 p. 41. Perona P., Malik J. Scale-space and edge detection using anisotropic diffusion. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. Vol. 12, No. 7. P. 629–639. DOI: 10.1109/34.56205. 42. Donoho D. L. De-noising by soft-thresholding. IEEE Transactions on Information Theory. 1995. Vol. 41, No. 3. P. 613–627. DOI: 10.1109/18.382009. 43. Foi A., Trimeche M., Katkovnik V., Egiazarian K. Practical Poissonian- Gaussian noise modeling and fitting for single-image raw-data. IEEE Transactions on Image Processing. 2008. Vol. 17, No. 10. P. 1737–1754. DOI: 10.1109/TIP.2008.2001399. 44. Kong H., Akakin H. C., Sarma S. E. A generalized Laplacian of Gaussian filter for blob detection and its applications. IEEE Transactions on Cybernetics. 2013. Vol. 43, No. 6. P. 1719–1733. DOI: 10.1109/TSMCB.2012.2228639. 45. Яворська Є. Б., Гринюк І. О. Метод адаптивної компенсації завад у зображеннях інтраскопічної візуалізації на основі вейвлет-аналізу та фільтрації локального контрасту. Вісник Вінницького політехнічного інституту. 2025. № 5. С. 83–88. DOI: 10.31649/1997-9266-2025-182-5-83-88. 46. Starck J.-L., Murtagh F., Fadili J. Sparse image and signal processing: wavelets, curvelets, morphological diversity. Cambridge : Cambridge University Press, 2010. 364 p. 47. Гринюк І. О. Розробка та експериментальне дослідження цифрового засобу покращення якості інтраскопічних зображень у системах медичної діагностики. Технічна інженерія. 2025. № 2(96). С. 52–57. DOI: 10.26642/ten- 2025-2(96)-52-57. 48. Tomasi C., Manduchi R. Bilateral filtering for gray and color images. Proceedings of the Sixth International Conference on Computer Vision. 1998. P. 839–846. DOI: 10.1109/ICCV.1998.710815. 49. Яворська Є. Б., Гринюк І. О. Застосування нейромережних технологій для підвищення інформативності медичних зображень. Вісник Херсонського національного технічного університету. 2025. Т. 2, № 3(94). С. 533–537. DOI: 10.35546/kntu2078-4481.2025.3.2.68. 50. Wang Z., Bovik A. C., Sheikh H. R., Simoncelli E. P. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing. 2004. Vol. 13, No. 4. P. 600–612. DOI: 10.1109/TIP.2003.819861. 51. Sheikh H. R., Bovik A. C. Image information and visual quality. IEEE Transactions on Image Processing. 2006. Vol. 15, No. 2. P. 430–444. DOI: 10.1109/TIP.2005.859378. 52. MathWorks. MATLAB. Version 8.3 (R2014a). Natick, Massachusetts : The MathWorks Inc., 2014. 53. MathWorks. Image Processing Toolbox User’s Guide. Natick, Massachusetts : The MathWorks Inc., 2014. 54. MathWorks. Wavelet Toolbox User’s Guide. Natick, Massachusetts : The MathWorks Inc., 2014. 55. Yavorska E., Hryniuk I., Yavorskyy B., Tiutiunnyk O., Pinaiev B., Zhukov A., Dzierżak R., Marassulov U. Modern methods of image quality enhancement in intrascopic medical imaging: comparative analysis and development trends. Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2025. Proceedings of SPIE. 2025. Vol. 14009. Art. 140090X. DOI: 10.1117/12.3099346. 56. Abramoff M. D., Garvin M. K., Sonka M. Retinal imaging and image analysis. IEEE Reviews in Biomedical Engineering. 2010. Vol. 3. P. 169–208. DOI: 10.1109/RBME.2010.2084567. 57. Тотосько О. В., Стухляк П. Д. Цифрова обробка сигналів та зображень : навч. посіб. Тернопіль : ТНТУ ім. І. Пулюя, 2016. 304 с. 58. Кобилін О. А., Творошенко І. С. Методи цифрової обробки зображень : навч. посіб. Харків : ХНУРЕ, 2021. 276 с. DOI: 10.30837/978-966- 659-295-1. 59. Yavorska E., Hryniuk I. Adaptive multiscale method and software tool for quality enhancement of endoscopic images in diagnostic systems. Scientific Exploration: Bridging Theory and Practice : Proceedings of the 6th International Scientific and Practical Conference, February 16–18, 2026, Berlin, Germany. European Open Science Space, 2026. P. 285–289. 60. Yavorska E., Hryniuk I. Adaptive multicriterial spatial-frequency method for quality enhancement of intrascopic images under non-uniform illumination and nonstationary degradations. Scientific Progress: Theories, Applications and Global Impact : Proceedings of the 3rd International Scientific and Practical Conference, March 2–4, 2026, Braga, Portugal. European Open Science Space, 2026. P. 305– 308. 61. Starck J.-L., Fadili J., Murtagh F. The undecimated wavelet decomposition and its reconstruction. IEEE Transactions on Image Processing. 2007. Vol. 16, No. 2. P. 297–309. 62. Chang S. G., Yu B., Vetterli M. Adaptive wavelet thresholding for image denoising and compression. IEEE Transactions on Image Processing. 2000. Vol. 9, No. 9. P. 1532–1546. DOI: 10.1109/83.862633. 63. Aharon M., Elad M., Bruckstein A. K-SVD: an algorithm for designing overcomplete dictionaries for sparse representation. IEEE Transactions on Signal Processing. 2006. Vol. 54, No. 11. P. 4311–4322. DOI: 10.1109/TSP.2006.881199. 64. Rudin L. I., Osher S., Fatemi E. Nonlinear total variation based noise removal algorithms. Physica D. 1992. Vol. 60, No. 1–4. P. 259–268. DOI: 10.1016/0167-2789(92)90242-F. 65. He K., Sun J., Tang X. Guided image filtering. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2013. Vol. 35, No. 6. P. 1397–1409. DOI: 10.1109/TPAMI.2012.213. 66. Xu L., Lu C., Xu Y., Jia J. Image smoothing via L0 gradient minimization. ACM Transactions on Graphics. 2011. Vol. 30, No. 6. Art. 174. DOI: 10.1145/2070781.2024208. 67. Starck J.-L., Candès E. J., Donoho D. L. The curvelet transform for image denoising. IEEE Transactions on Image Processing. 2002. Vol. 11, No. 6. P. 670– 684. DOI: 10.1109/TIP.2002.1014998. 68. Portilla J., Strela V., Wainwright M. J., Simoncelli E. P. Image denoising using scale mixtures of Gaussians in the wavelet domain. IEEE Transactions on Image Processing. 2003. Vol. 12, No. 11. P. 1338–1351. DOI: 10.1109/TIP.2003.818640. 69. Pižurica A., Philips W. Estimating the probability of the presence of a signal of interest in multiresolution single- and multiband image denoising. IEEE Transactions on Image Processing. 2006. Vol. 15, No. 3. P. 654–665. 70. Buades A., Facciolo G., Morel J.-M. Fast non-local means denoising. Proceedings of the IEEE International Conference on Image Processing. 2005. Vol. 2. P. 25–28. 71. Sendur L., Selesnick I. W. Bivariate shrinkage functions for wavelet- based denoising exploiting interscale dependency. IEEE Transactions on Signal Processing. 2002. Vol. 50, No. 11. P. 2744–2756. DOI: 10.1109/TSP.2002.804091. 72. Mertens T., Kautz J., Van Reeth F. Exposure fusion. Pacific Graphics 2007. P. 382–390. 73. Jobson D. J., Rahman Z., Woodell G. A multiscale retinex for bridging the gap between color images and the human observation of scenes. IEEE Transactions on Image Processing. 1997. Vol. 6, No. 7. P. 965–976. DOI: 10.1109/83.597272. 74. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation. Medical Image Computing and Computer- Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science. 2015. Vol. 9351. P. 234–241. DOI: 10.1007/978-3-319-24574-4_28. 75. Hore A., Ziou D. Image quality metrics: PSNR vs. SSIM. Proceedings of the 20th International Conference on Pattern Recognition. 2010. P. 2366–2369. DOI: 10.1109/ICPR.2010.579. 76. Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters. 2006. Vol. 27, No. 8. P. 861–874. DOI: 10.1016/j.patrec.2005.10.010. 77. Hanley J. A., McNeil B. J. The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology. 1982. Vol. 143, No. 1. P. 29–36. DOI: 10.1148/radiology.143.1.7063747. 78. DeLong E. R., DeLong D. M., Clarke-Pearson D. L. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988. Vol. 44, No. 3. P. 837–845. DOI: 10.2307/2531595. 79. Rose A. Vision: human and electronic. New York : Plenum Press, 1973. 508 p. 80. Bishop C. M. Pattern recognition and machine learning. New York : Springer, 2006. 738 p. 81. Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge, MA : MIT Press, 2016. 800 p. 82. Litjens G., Kooi T., Bejnordi B. E. et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017. Vol. 42. P. 60–88. DOI: 10.1016/j.media.2017.07.005. 83. Shen D., Wu G., Suk H.-I. Deep learning in medical image analysis. Annual Review of Biomedical Engineering. 2017. Vol. 19. P. 221–248. DOI: 10.1146/annurev-bioeng-071516-044442. 84. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. P. 770–778. DOI: 10.1109/CVPR.2016.90. 85. Bradski G., Kaehler A. Learning OpenCV: computer vision with the OpenCV library. Sebastopol : O’Reilly Media, 2008. 576 p. 86. Boyd S., Vandenberghe L. Convex optimization. Cambridge : Cambridge University Press, 2004. 716 p. 87. Poplavskyi O., Pavlov S., Bezsmernta O. et al. Highly efficient approaches to processing complex visual data in decision support systems. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska. 2026. Vol. 16, No. 1. P. 121–125. 88. Lupenko S., Lytvynenko I., Onyskiv P., Lupenko A., Volianyk O., Tsytsiura O. Computer modeling of cardiac rhythm based on vector of stationary random sequences. Scientific Journal of the Ternopil National Technical University. 2022. Vol. 108, No. 4. P. 131–143. DOI: 10.33108/visnyk_tntu2022.04.131. 89. Franchevska H., Dozorskyi V. Additive vs additive–multiplicative models for noninvasive fetal electrocardiography: cascade extraction methods and noise robustness. Вісник Херсонського національного технічного університету. Інформаційні технології. 2025. № 3(94), ч. 2. С. 468–473. DOI: 10.35546/kntu2078-4481.2025.3.2.60. |
| Content type: | Dissertation |
| Collection(s) : | 163 Біомедична інженерія |
Fichier(s) constituant ce document :
| Fichier | Description | Taille | Format | |
|---|---|---|---|---|
| Dysertatsiya_Hryniuk_2026.pdf | 3,86 MB | Adobe PDF | Voir/Ouvrir |
Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.