Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://elartu.tntu.edu.ua/handle/lib/52475
Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorЯворська, Євгенія Богданівна-
dc.contributor.authorГринюк, Іван Олександрович-
dc.contributor.authorHryniuk, I.O.-
dc.date.accessioned2026-06-18T07:42:29Z-
dc.date.available2026-06-18T07:42:29Z-
dc.date.issued2026-
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/52475-
dc.descriptionПодається на здобуття ступеня доктора філософії Дисертація містить результати власних досліджень. Використання ідей, результатів і текстів інших авторів мають посилання на відповідне джерелоuk_UA
dc.description.abstractГринюк 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 конференційuk_UA
dc.description.abstractHryniuk 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 proceedingsuk_UA
dc.description.tableofcontentsВСТУП ...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 ...137uk_UA
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет ім. І. Пулюяuk_UA
dc.subjectінтраскопічна діагностикаuk_UA
dc.subjectобробка медичних зображеньuk_UA
dc.subjectбагатокритеріальна оптимізаціяuk_UA
dc.subjectадаптивний просторово-частотний методuk_UA
dc.subjectкомпенсація освітленняuk_UA
dc.subjectнестаціонарні деградаціїuk_UA
dc.subjectбіомедична інженеріяuk_UA
dc.subjectintrascopic diagnosticsuk_UA
dc.subjectmedical image processinguk_UA
dc.subjectmulticriteria optimizationuk_UA
dc.subjectadaptive spatial-frequency methoduk_UA
dc.subjectillumination compensationuk_UA
dc.subjectnon- stationary degradationsuk_UA
dc.subjectbiomedical engineeringuk_UA
dc.titleМетод та програмно-апаратний засіб підвищення якості інтраскопічних зображень в умовах неоднорідного освітлення та нестаціонарних деградаційuk_UA
dc.title.alternativeMethod and Software-Hardware Tool for Enhancing the Quality of Intrascopic Images under Conditions of Non-Uniform Illumination and Non- Stationary Degradationsuk_UA
dc.typeDissertationuk_UA
dc.rights.holder© Гринюк Іван Олександрович, 2026uk_UA
dc.coverage.placenameТернопільuk_UA
dc.format.pages135-
dc.subject.udc004.932uk_UA
dc.subject.udc616-073uk_UA
dc.subject.udc57.087uk_UA
thesis.degree.discipline163 - біомедична інженерія-
thesis.degree.grantorТернопільський національний технічний університет-
thesis.degree.levelдокторська дисертація-
thesis.degree.nameдоктор філософії-
dc.relation.references1. Ledley R. S. Medical imaging systems. Englewood Cliffs : Prentice-Hall, 1983. 416 p.uk_UA
dc.relation.references2. 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.uk_UA
dc.relation.references3. Rangayyan R. M. Biomedical image analysis. Boca Raton : CRC Press, 2005. 680 p.uk_UA
dc.relation.references4. Suetens P. Fundamentals of medical imaging. 3rd ed. Cambridge : Cambridge University Press, 2017. 588 p.uk_UA
dc.relation.references5. 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.uk_UA
dc.relation.references6. 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.uk_UA
dc.relation.references7. Deserno T. M. Biomedical image processing. Berlin ; Heidelberg : Springer, 2011. 550 p.uk_UA
dc.relation.references8. Acharya U. R., Ng E. Y.-K., Sree S. V. Biomedical image processing and analysis. Boca Raton : CRC Press, 2019. 446 p.uk_UA
dc.relation.references9. Dougherty G. Digital image processing for medical applications. Cambridge : Cambridge University Press, 2009. 458 p.uk_UA
dc.relation.references10. Gonzalez R. C., Woods R. E. Digital image processing. 4th ed. Harlow : Pearson, 2018. 1024 p.uk_UA
dc.relation.references11. Russ J. C. The image processing handbook. 7th ed. Boca Raton : CRC Press, 2016. 944 p.uk_UA
dc.relation.references12. Sonka M., Hlavac V., Boyle R. Image processing, analysis, and machine vision. 4th ed. Boston : Cengage Learning, 2014. 840 p.uk_UA
dc.relation.references13. Szeliski R. Computer vision: algorithms and applications. 2nd ed. Cham : Springer, 2022. 832 p.uk_UA
dc.relation.references14. Pratt W. K. Digital image processing. 4th ed. Hoboken : Wiley, 2007. 782 p.uk_UA
dc.relation.references15. Jalote P. An integrated approach to software engineering. 3rd ed. New York : Springer, 2005. 560 p.uk_UA
dc.relation.references16. 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.uk_UA
dc.relation.references17. 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.uk_UA
dc.relation.references18. 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.uk_UA
dc.relation.references19. 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.uk_UA
dc.relation.references20. 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.uk_UA
dc.relation.references21. 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.uk_UA
dc.relation.references22. 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.uk_UA
dc.relation.references23. 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.uk_UA
dc.relation.references24. 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.uk_UA
dc.relation.references25. 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.uk_UA
dc.relation.references26. 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.uk_UA
dc.relation.references27. 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.uk_UA
dc.relation.references28. 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.uk_UA
dc.relation.references29. 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.uk_UA
dc.relation.references30. Mallat S. A wavelet tour of signal processing: the sparse way. 3rd ed. Burlington : Academic Press, 2009. 832 p.uk_UA
dc.relation.references31. Daubechies I. Ten lectures on wavelets. Philadelphia : SIAM, 1992. 377 p.uk_UA
dc.relation.references32. 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.uk_UA
dc.relation.references33. 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.uk_UA
dc.relation.references34. 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.uk_UA
dc.relation.references35. 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.uk_UA
dc.relation.references36. 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.uk_UA
dc.relation.references37. 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.uk_UA
dc.relation.references38. 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.uk_UA
dc.relation.references39. Bovik A. C. Handbook of image and video processing. 2nd ed. Burlington : Academic Press, 2005. 1170 p.uk_UA
dc.relation.references40. Astola J., Kuosmanen P. Fundamentals of nonlinear digital filtering. Boca Raton : CRC Press, 1997. 272 p.uk_UA
dc.relation.references41. 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.uk_UA
dc.relation.references42. 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.uk_UA
dc.relation.references43. 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.uk_UA
dc.relation.references44. 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.uk_UA
dc.relation.references45. 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.uk_UA
dc.relation.references46. Starck J.-L., Murtagh F., Fadili J. Sparse image and signal processing: wavelets, curvelets, morphological diversity. Cambridge : Cambridge University Press, 2010. 364 p.uk_UA
dc.relation.references47. 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.uk_UA
dc.relation.references48. 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.uk_UA
dc.relation.references49. 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.uk_UA
dc.relation.references50. 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.uk_UA
dc.relation.references51. 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.uk_UA
dc.relation.references52. MathWorks. MATLAB. Version 8.3 (R2014a). Natick, Massachusetts : The MathWorks Inc., 2014.uk_UA
dc.relation.references53. MathWorks. Image Processing Toolbox User’s Guide. Natick, Massachusetts : The MathWorks Inc., 2014.uk_UA
dc.relation.references54. MathWorks. Wavelet Toolbox User’s Guide. Natick, Massachusetts : The MathWorks Inc., 2014.uk_UA
dc.relation.references55. 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.uk_UA
dc.relation.references56. 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.uk_UA
dc.relation.references57. Тотосько О. В., Стухляк П. Д. Цифрова обробка сигналів та зображень : навч. посіб. Тернопіль : ТНТУ ім. І. Пулюя, 2016. 304 с.uk_UA
dc.relation.references58. 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.uk_UA
dc.relation.references59. 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.uk_UA
dc.relation.references60. 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.uk_UA
dc.relation.references61. 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.uk_UA
dc.relation.references62. 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.uk_UA
dc.relation.references63. 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.uk_UA
dc.relation.references64. 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.uk_UA
dc.relation.references65. 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.uk_UA
dc.relation.references66. 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.uk_UA
dc.relation.references67. 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.uk_UA
dc.relation.references68. 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.uk_UA
dc.relation.references69. 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.uk_UA
dc.relation.references70. 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.uk_UA
dc.relation.references71. 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.uk_UA
dc.relation.references72. Mertens T., Kautz J., Van Reeth F. Exposure fusion. Pacific Graphics 2007. P. 382–390.uk_UA
dc.relation.references73. 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.uk_UA
dc.relation.references74. 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.uk_UA
dc.relation.references75. 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.uk_UA
dc.relation.references76. 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.uk_UA
dc.relation.references77. 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.uk_UA
dc.relation.references78. 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.uk_UA
dc.relation.references79. Rose A. Vision: human and electronic. New York : Plenum Press, 1973. 508 p.uk_UA
dc.relation.references80. Bishop C. M. Pattern recognition and machine learning. New York : Springer, 2006. 738 p.uk_UA
dc.relation.references81. Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge, MA : MIT Press, 2016. 800 p.uk_UA
dc.relation.references82. 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.uk_UA
dc.relation.references83. 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.uk_UA
dc.relation.references84. 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.uk_UA
dc.relation.references85. Bradski G., Kaehler A. Learning OpenCV: computer vision with the OpenCV library. Sebastopol : O’Reilly Media, 2008. 576 p.uk_UA
dc.relation.references86. Boyd S., Vandenberghe L. Convex optimization. Cambridge : Cambridge University Press, 2004. 716 p.uk_UA
dc.relation.references87. 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.uk_UA
dc.relation.references88. 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.uk_UA
dc.relation.references89. 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.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені І. Пулюяuk_UA
dc.coverage.countryUAuk_UA
dc.identifier.citation2015Гринюк 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.uk_UA
Vyskytuje se v kolekcích:163 Біомедична інженерія

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
Dysertatsiya_Hryniuk_2026.pdf3,86 MBAdobe PDFZobrazit/otevřít


Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.