Мультимедийная система Яндекс Авто для Lada X-Ray: обзор, цена, отзывы

Мультимедийная система Яндекс.Авто — одно из приятных дополнений, выпущенных крупной российской корпорацией. Отныне она стала реальностью для легкового автомобиля Lada X-Ray.

Содержание

Обзор Яндекс.Авто для Lada X-Ray

Фото 1. Голова Яндекс Авто для Lada X-Ray Фото 2. Голова Яндекс Авто для Lada X-Ray

В обзоре рассмотрим особенности этой информационно-развлекательной системы для данной модели. Обсудим функции, характеристики и принципы работы. Также вы сможете посмотреть видео на тему мультимедийки от Яндекса, оно прояснит некоторые моменты.

Технические характеристики

• Процессор: 4-ядерный Allwinner T3 1.2 ГГц
• Оперативная память: 2 ГБ
• Встроенная память: 16 ГБ
• Дисплей: 8″, 1024×600 пикселей
• FM-радио
• Интернет: по Wi-Fi, поддержка 3G/4G через модем
• Навигация: GPS и ГЛОНАСС
• Возможность управления с рулевых кнопок
• Громкая связь по Bluetooth
• Входы: Aux, USB, microSD
• Форматы: WMA, AAC, MP3

Цена Яндекс Авто для Lada X-Ray

Стоимость системы: действует специальная цена.

Что вы получаете за эту сумму без дополнительной оплаты:

• Доставку и установку
• Полгода подписки на Яндекс.Музыку
• Полгода бесплатного интернета

Заказать Яндекс.Авто

Как работает мультимедийная система

Голосовое управление — одна из главных “фишек”. Также интересен типичный яндексовский интерфейс, максимально приспособленный к психологии пользователей. Вам не нужно будет долго привыкать к мультимедийной системе Яндекс.Авто для Lada X-Ray, поскольку она построена по типу виджетов с рабочего стола компьютера. Допускается, что вы запустите сразу несколько приложений, которые без проблем работают одновременно.

Какой голосовой помощник вы считаете лучшим?

АлисаСири

Главное, что подкупает в системе Яндекс.Авто, — это ставка на удобство водителей. Именно для них разработка и сделана. Рассмотрим основные функции и сервисы встроенные в бортовой компьютер.

Навигатор

Позволит увидеть оптимальные маршруты на крупном экране. Вам не нужно будет напрягаться, чтобы разобраться, куда ехать, и просить о помощи соседа справа. Система учитывает пробки и даже ремонтные работы. Она предупреждает о наличии камер и дорожных знаков. Подробнее, об особенностях работы Яндекс.Навигатора.

Голосовое управление с Алисой

Хорошо знакомая помощница Алиса — удобная альтернатива управления сервисами. Раньше требовалось отвлекаться от дороги и настраивать нужные функции руками, что в какой-то степени создавало риск ДТП. Теперь достаточно будет отдать голосовую команду “Слушай, Алиса” и максимально быстро взаимодействовать с роботом. Например, можно продиктовать адрес, отдать команду (найти ближайшую заправку либо парковку) или поискать что-то в интернете.

Музыка и радио

Удобная настройка музыки и радиостанций. Возможен даже подбор под настроение или стиль определенной эпохи.

Чтобы всё хорошо работало, необходимо подключение к интернету, но маршруты легко строятся и без него. Подключиться всегда можно от своего мобильного устройства. Однако в дальнейшем в некоторых случаях роутеры будут встроены уже при производстве. Обновления скачиваются прямо во время движения по дороге.

Компания постоянно трудится над обновлениями. Этой осенью (2019 год) появятся нововведения, делающие взаимодействие с автомобилем еще более комфортным.

Откроются следующие возможности.

Перенести маршрут с телефона

Маршрут можно создать в Навигаторе еще по дороге к автомобилю. Для этого нужно использовать свое мобильное устройство. Дисплей покажет его сразу после того, как вы заведете машину.

Посмотреть, где стоит машина

Если автомобиль был оставлен вдали от места, куда вы направились, не беда. Поиски больше не будут отнимать драгоценное время. Где находится ТС, подскажет приложение.

Открыть окно или багажник

Если нет желания или возможности доставать ключи, дайте голосовую команду Алисе или воспользуйтесь соответствующей функцией смартфона.

Запустить двигатель на расстоянии

Чтобы сэкономить время на прогреве машины зимой, теперь можно запустить двигатель прямо из дома, когда вы еще готовитесь к выходу. Впрочем, функция актуальна в любое время года. Охлаждение или прогрев делаются посредством смартфона и Станции.

Оплатить стоимость парковки

Яндекс.Авто избавил от необходимости переживать об оплате парковки. Система полностью автоматизирует процесс, точно определяя место, цену и списывая нужную сумму.

Узнать об эвакуации

Если автомобиль начнут эвакуировать или он будет по каким-либо причинам перемещаться, система пришлет соответствующее уведомление.

Оплатить заправку

Оплата топлива на АЗС также упростилась. Это особенно приятно в холодное или дождливое время, так как можно даже не покидать транспортное средство.

Определить местоположение без GPS

Если сигнал отсутствует, Яндекс.Авто не перестанет “понимать” местонахождение машины. Данные будут поступать прямо с колес.

Видеообзор

Посмотрите видео о мультимедийке от Яндекса для другой модели авто. Общие принципы будут теми же.

Модели Lada X-Ray под Яндекс Авто

Список поколений и комплектаций Lada X-Ray, с которыми работает Яндекс Авто:

Lada X-Ray

Под Яндекс.Авто подходят такие комплектации:

• Standard
• Classic
• Classic Air Conditioner
• Comfort
• Luxe
• Luxe Prestige
• Optima
• Optima Advanced
• Optima Air Conditioner
• Top
• Top Prestige
• Optima Comfort
• Exclusive

Где установить Яндекс Авто на Lada X-Ray

Любой водитель может заказать мультимедийное устройство самостоятельно. Чтобы установить его на вашу модель автомобиля Lada X-Ray, требуется предварительно записаться в сервисных центрах партнеров Яндекса по предварительной записи.

• Москве
• Санкт-Петербурге
• Нижнем Новгороде
• Краснодаре
• Ростове-на-Дону
• Тюмени
• Самаре
• Великом Новгороде
• Калуге

Отзывы о Яндекс Авто для Lada X-Ray

Яндекс Авто вызывает много дискуссий и отзывов.

Отзывы

Вам нравится мультимедийная система Яндекс.Авто?

ДаНет

Свои мысли о мультимедийной системе оставляйте в разделе комментарии к данной статье.

ᐉ Тест-драйв Lada X-RAY

Показанный несколько лет назад концепт-кар Lada X-RAY очень впечатлил. Агрессивный трехдверный кроссовер настолько понравился автомобильной общественности, что за будущее серийного X-RAY «вазовцам» уже можно было не волноваться. Впрочем, уже совсем скоро стало понятно, что серийный автомобиль будет иметь мало общего с ярким концепт-каром. Агрессивный кроссовер превратился в компактный пятидверный хэтчбек. С ним мы и познакомимся.

Теперь уже никто не скрывает то, что серийный X-RAY создан на базе популярного в нашей стране хэтчбека Renault Sandero. И это, если сравнить пропорции двух моделей, хорошо заметно. Однако в остальном между двумя родственными хэтчбеками сходства нет никакого. Дизайнерам, что работали над внешним видом Lada X-RAY, удалось создать свой собственный неповторимый облик, в результате чего отечественный хэтчбек даже близко не напоминает «француза». Благодаря фирменным X-выштамповкам и уже знакомому по Lada Vesta «передку» идентифицировать марку и модель автомобиля сможет абсолютно каждый. И вряд ли кто-то скажет, что отечественный автомобиль выглядит скучно или упрекнет его дизайн во вторичности. Разве что задние фонари на X-RAY выглядят достаточно скромно. Их так и хочется увеличить в размерах и, как это сделано на многих автомобилях Volvo, продлить чуть ли не до самой крыши.

Очень даже симпатично Lada X-RAY смотрится и внутри. То, что здесь применены в основном бюджетные отделочные материалы, конечно же чувствуется, но особого дискомфорта это не вызывает. Нет претензий и к эргономике. Сиденье в Lada X-RAY регулируется не только в продольном направлении, но и по высоте, что в сочетании с регулировкой рулевого колеса по углу наклона позволит комфортно усесться за рулем практически каждому. А если бы еще руль и по вылету регулировался, то было бы и вовсе здорово. Зато в X-RAY, и здесь отечественный хэтчбек вчистую обыгрывает соплатформенный Renault Sandero, большой цветной дисплей расположен не где-то внизу, а в верхней части центральной консоли. Как итог – пользоваться им стало гораздо удобнее.

А вот второй ряд сидений в Lada X-RAY уже не впечатляет. Рослым пассажирам места будет откровенно мало. Если им придется сидеть за такими же высокими водителем и передним пассажиром, то они неминуемо упрутся коленями в спинки передних сидений. Да и с посадкой есть небольшие проблемы – проем между подушкой заднего сиденья и центральной стойкой не слишком велик. Впрочем, важно понимать, что все эти замечания не являются следствием конструктивных просчетов. Сам по себе X-RAY не слишком велик, так что требовать от него огромного запаса пространства для задних пассажиров попросту глупо. По меркам своего класса X-RAY очень даже просторен. Хорош и багажник, объем которого составляет 324 литра.

Что касается силовых агрегатов, то для Lada X-RAY будут доступны три двигателя — 1,6 литра (106 лошадиных сил), 1,6 литра (114 лошадиных сил) и 1,8 литра (122 «лошадки»). Пока что на все сходящие с конвейера автомобили будут устанавливать лишь 114-сильный двигатель, а два остальных силовых агрегата на X-RAY появятся чуть позже.

В движении Lada X-RAY ничем не напоминает отечественные автомобили. Это самая настоящая иномарка. Даже больше – это плоть от плоти Renault. Lada X-RAY не вызывает желания ехать быстро. В этом плане X-RAY абсолютная противоположность седану Lada Vesta, который уже успел впечатлить отличной по меркам класса управляемостью и азартными повадками. Зато X-RAY куда комфортнее седана. На нем хочется ехать неспешно, попутно наслаждаясь мягкой энергоемкой подвеской и вполне приличной, если не раскручивать двигатель до высоких оборотов, шумоизоляцией. А если случиться встретиться с бездорожьем, то Lada X-RAY не спасует и здесь. С передним приводом королем пересеченной местности вы конечно не станете, но благодаря высокому дорожному просвету и небольшим свесам Lada X-RAY в состоянии с легкостью преодолеть те преграды, которые многим куда более дорогим автомобилям окажутся не по зубам.

«Вазовцев» снова можно поздравить. Следом за очень удачной Lada Vesta они смогли вывести на рынок не менее удачный X-RAY. А что до того, что в его основе лежит платформа от Renault Sandero, так сейчас такое сплошь и рядом. Главное то, что X-RAY получился даже лучше исходника. И пусть это уже не сногсшибательный кроссовер, коим был концепт-кар, но это, пожалуй, даже к лучшему. Кроссовер стоил бы слишком дорого, а Lada X-RAY будет доступна практически каждому. Будущий бестселлер – в этом сомневаться не приходится.

Рубрика:ОбзорМетки: Обзор, Тест ВАЗ, Тест-драйв

МЕДИЦИНСКАЯ ШКОЛА UPENN || ОБУЧАЮЩИЙ ВЕБ-САЙТ CXR

— разработан Дэвидом Г. Чу, доктором медицины —

Добро пожаловать! Этот веб-сайт был создан, чтобы помочь студентам-медикам познакомиться с рентгенологией органов грудной клетки. Одна из самых сложных вещей, которую нужно усвоить при первом чтении фильмов о рентгенографии грудной клетки (CXR), — это то, что является «нормальным» и что на самом деле является «активным заболеванием». Этот веб-сайт призван помочь учащимся привыкнуть воспринимать артефакты кровеносных сосудов как «нормальные» в надежде, что учащимся будет легче идентифицировать «аномальные» признаки активного заболевания.

Мы собрали 100 «нормальных» рентгенограмм грудной клетки, которым был поставлен диагноз «Нет активного заболевания» (NAD) в больнице Пенсильванского университета (HUP). Читая эту серию нормальных рентгенограмм, учащиеся научатся оценивать диапазон «нормальных» отметок, основы чтения рентгенограмм и то, как возраст и пол пациента влияют на различия. Используйте панель навигации справа, чтобы либо начать учебный модуль с самого начала, либо перейти к любому делу в модуле.

Рентген грудной клетки Уроки обучения:

• Введение
• Анатомия
• Мягкие ткани и кости
• Черный против белого
• Инфильтраты против консолидации
• Дифференциалы

Другие ресурсы по радиологии:

• Вводный курс по радиологии органов грудной клетки
• CXR Dx болезни
• Атлас рентгеновских снимков органов интенсивной терапии
• Атлас рентгенографии органов грудной клетки
• Рентген грудной клетки Образование (по находке)
• Рентген грудной клетки Обучение (по темам)
• Компьютерная томография
• КТ Dx диффузного заболевания легких
• КТ легких Атлас
• Кардиоторакальная визуализация
• Врожденный порок сердца
• Статьи в журнале по радиологии грудной клетки
• Практическая рентгенология/патология органов грудной клетки (случаи)
• Программа торакальной визуализации STR (без изображений)
• Справочник по заболеваниям органов грудной клетки (без изображений)

Об авторах:

Этот веб-сайт был создан в 2005 году доктором Дэвидом Г. Чу и доктором Уоллесом Миллером-младшим из Медицинской школы Пенсильванского университета. Мы особенно благодарны Энтони Робертсону и Алетее Пена из команды веб-дизайна SOM Университета Пенсильвании за их опыт.

Дэвид Г. Чу, доктор медицинских наук

Дэвид Г. Чу окончил Калифорнийский университет в Сан-Диего в 1999 г. и Медицинский факультет Пенсильванского университета в 2005 г. В настоящее время он проходит интернатуру в Пресвитерианской медицинской Центр UPHS и резидентуру по офтальмологии в Медицинском центре Калифорнийского университета в Дэвисе.

Уоллес Миллер-младший, доктор медицинских наук

Доктор Уолли Миллер-младший был удостоен многочисленных наград за преподавание в Медицинской школе Университета Пенсильвании и посвятил себя клиническому, академическому и преподавательскому мастерству. Он окончил медицинский факультет Пенсильванского университета и прошел ординатуру по радиологии в больнице Пенсильванского университета UPHS.

Навигация

Запуск обучающего модуля 100 Normal CXR

Нажмите на ссылку выше, чтобы запустить обучающий модуль 100 Normal CXR, и начните с случая 1.

Используйте раскрывающееся меню ниже, чтобы перейти к конкретному случаю в модуле .

Просмотр конкретного случаяПациент 001Пациент 002Пациент 003Пациент 004Пациент 005Пациент 006Пациент 007Пациент 008Пациент 009Пациент 000Пациент 011Пациент 012Пациент 013Пациент 014Пациент 015Пациент 016Пациент 017 Пациент 018Пациент 019Пациент 020Пациент 021Пациент 022Пациент 023Пациент 024Пациент 025Пациент 026Пациент 027Пациент 028Пациент 029Пациент 030Пациент 031Пациент 032Пациент 033Пациент 034Пациент 035Пациент 036Пациент 037Пациент 038Пациент 039Пациент 040Пациент 041Пациент 042Пациент 043Пациент 044Пациент 045Пациент 046Пациент 047Пациент 048Пациент 049Пациент 050Пациент 051Пациент 052Пациент 053Пациент 054P пациент 055Пациент 056Пациент 057Пациент 058Пациент 059Пациент 060Пациент 061Пациент 062Пациент 063Пациент 064Пациент 065Пациент 066Пациент 067Пациент 068Пациент 069Пациент 070Пациент 071Пациент 072Пациент 073Пациент 074Пациент 075Пациент 076Пациент 077Пациент 078Пациент 079Пациент 080Пациент 081Пациент 082Пациент 083Пациент 084Пациент 085Пациент 086Пациент 087Пациент 088Пациент 089Пациент 090Пациент 091Пациент 092Пациент 093Пациент 094Пациент 095Пациент 096Пациент 097Пациент 098Пациент 099Пациент 100

 

90 000 Обзор определения границ легких при рентгенографии органов грудной клетки

1. Raoof S, Feigin D, Sung A, Raoof S, Irugulpati L, Rosenow E. Интерпретация простой рентгенограммы грудной клетки. Грудь. 2012;141(2):545–558. [PubMed] [Академия Google]

2. Корн Дж., Пойнтон К. Рентген грудной клетки стал проще. 3. Лондон: Черчилль Ливингстон; 2009. [Google Scholar]

3. Национальная медицинская библиотека США, Проект рентгенографии грудной клетки. https://ceb.nlm.nih.gov/projects/computer-aided-tb-screening-on-chest-x-rays//. По состоянию на 8 июля 2018 г.,

,

. Автоматический скрининг на туберкулез с помощью рентгенограмм грудной клетки. IEEE Trans Med Imaging. 2014;33(2):233–245. [PubMed] [Академия Google]

5. Karargyris A, Siegelman J, Tzortzis D, Jaeger S, Candemir S, Xue Z, Santosh K, Vajda S, Antani S, Folio L, Thoma G. Комбинация признаков текстуры и формы для выявления легочных аномалий в пальцевой грудной клетке рентген. Int J Comput Assist Radiol Surg. 2016;11(1):99–106. [PubMed] [Google Scholar]

6. Antani S (2015) Автоматическое обнаружение заболеваний легких при рентгенографии грудной клетки. В: Технический отчет совету научных консультантов Национального центра биомедицинских коммуникаций Листера Хилла

7. Кессельман А., Соруш Г., Моллура Д., Дэниел Дж. Радиационная конференция 2015 г. по международной радиологии для развивающихся стран: развивающийся глобальный радиологический ландшафт. J Am Coll Radiol. 2016;13(9):1139–1144. [Бесплатная статья PMC] [PubMed] [Google Scholar]

8. Дхут Р., Хамфри Дж., О’Мира П., Гарднер А., Макдональд С., Огот К., Антани С., Абуя Дж., Кохли М. Внедрение мобильной диагностической установки расширить доступ к службам визуализации и лабораторным услугам в западной Кении. BMJ Глоб Здоровье. 2018;3(5):e000947. [Бесплатная статья PMC] [PubMed] [Google Scholar]

9. Дои К. Компьютерная диагностика в медицинской визуализации: исторический обзор, текущее состояние и потенциал в будущем. Comput Med Imaging Graph. 2007;31(4–5):198–211. [Бесплатная статья PMC] [PubMed] [Google Scholar]

10. Yu P, Xu H, Zhu Y, Yang C, Sun X, Zhao J. Схема автоматического компьютерного обнаружения пневмокониоза на цифровых рентгенограммах грудной клетки. J цифровое изображение. 2011;24(3):382–393. [Бесплатная статья PMC] [PubMed] [Google Scholar]

11. Ginneken B, Stegmann M, Loog M. Сегментация анатомических структур на рентгенограммах грудной клетки с использованием контролируемых методов: сравнительное исследование в общедоступной базе данных. Мед имидж анал. 2006;10(1):19–40. [PubMed] [Google Scholar]

12. Hogeweg L, Sánchez C, Maduskar P, Philipsen R, Story A, Dawson R, Theron G, Dheda K, Peters-Bax L, van Ginneken B. Автоматическое обнаружение туберкулеза в грудной клетке рентгенограммы с использованием комбинации анализа текстурных, очаговых и формальных аномалий. IEEE Trans Med Imaging. 2015;34(12):2429–2442. [PubMed] [Google Scholar]

13. Гринспен Х., ван Гиннекен Б., Саммерс Р. Гостевая редакционная статья о глубоком обучении в медицинской визуализации: обзор и будущие перспективы новой захватывающей техники. IEEE Trans Med Imaging. 2016;35(5):1153–1159. [Google Scholar]

14. Litjens G, Kooi T, Bejnordi B, Setio A, Ciompi F, Ghafoorian M, van der Laak J, van Ginneken B, Sánchez C. Обзор по глубокому обучению в анализе медицинских изображений. Мед имидж анал. 2017;42:60–88. [PubMed] [Академия Google]

15. Рави Д., Вонг С., Делигианни Ф., Бертло М., Андреу-Перес Дж., Ло Б., Ян Г. Глубокое обучение для информатики здравоохранения. IEEE J Biomed Health Inform. 2017;21(1):4–21. [PubMed] [Google Scholar]

16. Gordienko Y, Gang P, Hui J, Zeng W, Kochura Y, Alienin O, Rokovyi O, Stirenko S (2018)Глубокое обучение с методами сегментации легких и исключения костной тени для грудной клетки X -лучевой анализ рака легкого. В: Международная конференция по теории и приложениям нечетких систем и мягких вычислений, Springer, Нью-Йорк, стр. 638–647 9.0003

17. Сиварамакришнан Р., Антани С., Кандемир С., Сюэ З., Абуя Дж., Кохли М., Алдерсон П., Тома Г. (2018)Сравнение моделей глубокого обучения для скрининга населения с использованием рентгенографии грудной клетки. В: Медицинская визуализация SPIE: компьютерная диагностика, Международное общество оптики и фотоники. vol 10575, p 105751E

18. Артур Р. Интерпретация педиатрической рентгенограммы грудной клетки. Pediatr Respir Respir. 2000; 1(1):41–50. [PubMed] [Google Scholar]

19. Mouton A (2009) Компьютерная диагностика туберкулеза на рентгенограммах грудной клетки у детей с использованием локального текстурного анализа. В: к.т.н. диссертация, Кейптаунский университет, Кейптаун

20. Candemir S, Antani S, Jaeger S, Browning R, Thoma G (2015)Обнаружение границ легких при рентгенографии органов грудной клетки у детей. В: Медицинская визуализация SPIE, Международное общество оптики и фотоники, стр. 94180–94180

21. Ginneken B, Haar R, Bart M, Viergever M. Компьютерная диагностика при рентгенографии грудной клетки: обзор. IEEE Trans Med Imaging. 2001;20(12):1228–1241. [PubMed] [Google Scholar]

22. Shi Y, Qi F, Xue Z, Chen L, Ito K, Matsuo H, Shen D. Сегментация легочных полей на серийных рентгенограммах грудной клетки с использованием как популяционной, так и индивидуальной статистики формы пациента . IEEE Trans Med Imaging. 2008; 27(4):481–49.4. [PubMed] [Google Scholar]

23. Аннанги П., Тирувенкадам С., Раджа А., Сюй Х., Сунь Х., Мао Л. (2010) Метод активного контура на основе области для рентгеновской сегментации легкого с использованием предшествующей формы и низкой особенности уровня. В кн.: Международный симпозиум по биомедицинской визуализации: от нано к макро. стр. 892–895

24. Саад М.Н., Муда З., Ашаари Н.С., Хамид Х.А. (2014) Сегментация изображения области легких на рентгенограммах грудной клетки с использованием обнаружения краев и морфологии. В: Международная конференция IEEE по системам управления, вычислениям и технике (ICCSCE, 2014 г.), IEEE, стр. 46–51

25. Ахмад В., Заки В., Фаузи М. Сегментация легких на стандартных и мобильных рентгенограммах грудной клетки с использованием фильтра ориентированных производных Гаусса. Биомед Инж Онлайн. 2015;14(1):20. [Бесплатная статья PMC] [PubMed] [Google Scholar]

26. Shao Y, Gao Y, Guo Y, Shi Y, Yang X, Shen D. Иерархическая сегментация легочного поля с разрозненными формами суставов и внешним видом. IEEE Trans Med Imaging. 2014;33(9):1761–1780. [PubMed] [Google Scholar]

27. Cootes TF, Taylor CJ, Cooper DH, Graham J. Модели активной формы: их обучение и применение. Comput Vis Image Underst. 1995;61(1):38–59. [Google Scholar]

28. Кутс Т., Эдвардс Дж., Тейлор С. Активные модели внешности. IEEE Trans Pattern Anal Mach Intell. 2001;23(6):681–685. [Google Scholar]

29. Юхас С., Хорват А., Нихази Л., Хорват Г. (2010) Сегментация анатомических структур на рентгенограммах грудной клетки. В: XII Средиземноморская конференция по медицинской и биологической инженерии и вычислениям, 2010 г., Спрингер, Нью-Йорк, стр. 359–362

30. Давуд А. Сегментация легких на рентгенограммах грудной клетки путем объединения информации о форме в итеративном пороговом определении. IET Comput Vis. 2011;5(3):185–19.0. [Google Scholar]

31. Seghers D, Loeckx D, Maes F, Vandermeulen D, Suetens P. Сегментация стоимостного пути минимальной формы и интенсивности. IEEE Trans Med Imaging. 2007;26(8):1115–1129. [PubMed] [Google Scholar]

32. Yu T, Luo J, Ahuja N. Формирование регуляризованного активного контура с использованием итеративного глобального поиска и локальной оптимизации. IEEE Comput Soc Conf Comput Vis Pattern Recognition. 2005; 2: 655–662. [Google Scholar]

33. Яковидис Д., Савелонас М., Папамихалис Г. Надежное обнаружение границ легочного поля на портативных рентгенограммах грудной клетки на основе модели, поддерживаемое избирательным определением порога. Meas Sci Techn. 2009 г.;20(10):104019. [Google Scholar]

34. Брюйн М., Нильсен М. Фильтрация частиц формы для сегментации изображений. Med Image Comput Comput Assist Interv. 2004;3216:168–175. [Google Scholar]

35. Сюй Т., Мандал М., Лонг Р., Ченг И., Басу А. Подход активной формы с силовым управлением краевой области для автоматического обнаружения легочных полей на рентгенограммах грудной клетки. Comput Med Imaging Graph. 2012;36(6):452–463. [PubMed] [Google Scholar]

36. Candemir S, Jaeger S, Palaniappan K, Musco JP, Singh RK, Xue Z, Karargyris A, Antani S, Thoma G, McDonald C. Сегментация легких на рентгенограммах грудной клетки с использованием анатомических атласов с нежесткая регистрация. IEEE Trans Med Imaging. 2014;33(2):577–590. [PubMed] [Google Scholar]

37. Liu C, Yuen J, Torralba A. Поток SIFT: плотное соответствие между различными сценами и его приложениями. IEEE Trans Pattern Anal Mach Intell. 2011;33(5):978–994. [PubMed] [Google Scholar]

38. Чжао Б., Фэн Дж., Ву С., Ян С. Обзор подробной классификации объектов и семантической сегментации на основе глубокого обучения. Int J Autom Comput. 2017; 14:1–17. [Google Scholar]

39. Новиков А., Майор Д., Ленис Д., Хладувка Дж., Виммер М., Бюлер К. (2018) Полностью сверточные архитектуры для многоклассовой сегментации на рентгенограммах грудной клетки. В: Транзакции IEEE по медицинской визуализации [PubMed]

40. Лонг Дж., Шелхамер Э., Даррелл Т. (2015) Полностью сверточные сети для семантической сегментации. В: Конференция IEEE по компьютерному зрению и распознаванию образов, стр. 3431–3440

41. Калиновский А., Ковалев В. (2016)Сегментация изображений легких с использованием методов глубокого обучения и сверточных нейронных сетей. В: Распознавание образов и обработка информации. Издательский центр БГУ,

, Минск 42. Бадринараянан В., Кендалл А., Сиполла Р. Сегнет: архитектура кодировщика-декодера глубокой свертки для сегментации изображений. IEEE Trans Pattern Anal Mach Intell. 2017;39(12): 2481–2495. [PubMed] [Google Scholar]

43. Dai W, Doyle J, Liang X, Zhang H, Dong N, Li Y, Xing E (2017) Scan: структурно-корректирующая состязательная сеть для сегментации органов грудной клетки. Препринт arXiv arXiv:1703.08770

44. Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, Courville A, Bengio Y (2014)Генеративные состязательные сети. В: Достижения в системах обработки нейронной информации, стр. 2672–2680

45. Коппини Г., Миниати М., Монти С., Патерни М., Фавилла Р., Фердегини Э. Компьютерный подход к диагностике эмфиземы при рентгенографии грудной клетки. мед. инж. физ. 2013;35(1):63–73. [PubMed] [Академия Google]

46. Seghers D, Loeckx D, Maes F, Vandermeulen D, Suetens P. Сегментация стоимостного пути минимальной формы и интенсивности. IEEE Trans Med Imaging. 2007;26(8):1115–1129. [PubMed] [Google Scholar]

47. Каур С., Худа Р., Миттал А., Акашдип Софат С. (2017) Глубокий метод сегментации легочных полей на цифровых рентгенограммах грудной клетки на основе CNN, Springer, Сингапур, стр. 185–194

48. Li X, Luo S, Hu Q, Li J, Wang D, Chiong F. Автоматическая сегментация легочного поля на рентгенограммах с использованием статистических моделей формы и внешнего вида. J Med Imaging Health Inform. 2016;6(2):338–348. [Академия Google]

49. Lee WL, Chang K, Hsieh KS. Неконтролируемая сегментация легочных полей на рентгенограммах грудной клетки с использованием вектора фрактальных признаков с различным разрешением и деформируемых моделей. Med Biol Eng Comput. 2016;54(9):1409–1422. [PubMed] [Google Scholar]

50. Wu G, Zhang X, Luo S, Hu Q. Сегментация легких на основе индивидуальной модели активной формы из цифровых рентгенографических изображений грудной клетки. J Med Imaging Health Inform. 2015;5(2):184–191. [Google Scholar]

51. Ибрагимов Б., Ликар Б., Пернуш Ф., Вртовец Т. (2016) Точная сегментация на основе ориентиров путем включения неверных обнаружений ориентиров. В: 13-й международный симпозиум IEEE по биомедицинской визуализации (ISBI), 2016 г., IEEE, стр. 1072–1075

52. Yang W, Liu Y, Lin L, Yun Z, Lu Z, Feng Q, Chen W. Сегментация поля легких на рентгенограммах грудной клетки по картам границ с помощью детектора структурированных краев. IEEE J Biomed Health Inform. 2018;22(3):842–851. [PubMed] [Google Scholar]

53. Hwang S, Park S (2017) Точная сегментация легких с помощью сетевого обучения сверточных сетей. В: Глубокое обучение в анализе медицинских изображений и мультимодальное обучение для поддержки принятия клинических решений, Springer, Нью-Йорк, стр. 92–99

54. Сквайр Л., Новеллин Р. Основы радиологии. 3. Кембридж: издательство Гавардского университета; 1982. [Google Scholar]

55. Армато С., III Автоматизированная сегментация легких на цифровых задне-передних и боковых рентгенограммах грудной клетки: приложения в диагностической радиологии и ядерной медицине. мед. физ. 1997;24(12):2056–2056. [Google Scholar]

56. Armato S, III, Giger M, Ashizawa K, MacMahon H. Автоматическая сегментация легких на цифровых боковых рентгенограммах грудной клетки. мед. физ. 1998;25(8):1507–1520. [PubMed] [Google Scholar]

57. Carrascal F, Carreira J, Souto M, Tahoces P, Gómez L, Vidal J. Автоматический расчет общей емкости легких по автоматически прослеживаемым границам легких на задне-передних и боковых цифровых рентгенограммах грудной клетки. мед. физ. 1998;25(7):1118–1131. [PubMed] [Google Scholar]

58. Кохонен Т. Самоорганизующаяся карта. Процедура IEEE. 1990;78(9):1464–1480. [Google Scholar]

59. Джегер С. , Кандемир С., Антани С., Ван И, Лу П., Тома Г. Два общедоступных набора данных рентгенографии грудной клетки для компьютерного скрининга легочных заболеваний. Quant Imaging Med Surg. 2014;4(6):475–477. [Бесплатная статья PMC] [PubMed] [Google Scholar]

60. Сираиси Дж., Кацурагава С., Икезоэ Дж., Мацумото Т., Кобаяши Т., Комацу К., Мацуи М., Фудзита Х., Кодера Ю., Дои К. Разработка цифрового база данных изображений для рентгенограмм грудной клетки с легочными узлами и без них: анализ рабочих характеристик приемника при обнаружении рентгенологами легочных узелков. Am J Рентгенол. 2000;174(1):71–74. [PubMed] [Академия Google]

61. Xue Z, Candemir S, Antani S, Long R, Jaeger S, Demner-Fushman D, Thoma G (2015) Обнаружение посторонних предметов при рентгенографии грудной клетки. В: 2015 Международная конференция IEEE по биоинформатике и биомедицине (BIBM). стр. 956–961

62. Зохора Ф., Антани С., Сантош К. (2018) Обнаружение инородных элементов в виде кругов на рентгенограммах грудной клетки с использованием нормализованной взаимной корреляции и неконтролируемой кластеризации. р 105741В. 10.1117/12.2293739

63. Сантош К.С., Кандемир С., Джагер С., Караргирис А., Антани С., Тома Г., Фолио Л. Автоматическое обнаружение вращения на рентгенограммах грудной клетки с использованием основного измерения ориентации ребер для контроля качества. Int J Pattern Распознавание Artif Intel. 2015;29(02):1557001. [Google Scholar]

64. Сантош К., Кандемир С., Джагер С., Фолио Л., Караргирис А., Антани С., Тома Г. (2014) Обнаружение вращения на рентгенограммах грудной клетки на основе обобщенной линейной гистограммы ориентации ребер. В: 27-й международный симпозиум IEEE 2014 г. по компьютерным медицинским системам, стр. 138–142. 10.1109/CBMS.2014.56

65. Международный день радиологии. https://www.internationaldayofradiology.com. По состоянию на 8 июля 2018 г.

66. Марэ Б., Пай М. Новые подходы и новые технологии в диагностике детского туберкулеза. Pediatr Respir Rev. 2007;8(2):124–133. [PubMed] [Академия Google]

67. Mouton A, Pitcher R, Douglas T (2010)Компьютерное обнаружение патологии легких на рентгенограммах грудной клетки у детей. В: Международная конференция по обработке медицинских изображений и компьютерному вмешательству. Спрингер, Нью-Йорк, стр. 619–625 [PubMed]

68. Мансур А., Серролаза Дж., Перес Г., Биггс Э., Нино Г., Лингурару Г. (2017)Глубокое обучение маргинальной формы: приложения к сегментации поля легких у детей. В: Медицинская визуализация SPIE, Международное общество оптики и фотоники, том 10133, стр. 1013304 [бесплатная статья PMC] [PubMed]

69. Хасан М., Ли С., Ким Д., Лим М. Автоматическая оценка сердечной гипертрофии с использованием отношения кардиоторакальной площади на рентгенограммах грудной клетки. Вычислительные методы Прогр. Биомед. 2012;105(2):95–108. [PubMed] [Google Scholar]

70. Xue Z, You D, Candemir S, Jaeger S, Antani S, Long R, Thoma G (2015) Классификация изображений рентгенограммы грудной клетки. В кн.: 28-й международный симпозиум по компьютерным медицинским системам. IEEE, стр. 66–71

71. Сантош К., Антани С. Автоматизированный рентгенографический скрининг органов грудной клетки: может ли симметрия области легких помочь в выявлении легочных аномалий? IEEE Trans Med Imaging. 2018;37(5):1168–1177. [PubMed] [Академия Google]

72. Miniati M, Coppini G, Monti S, Bottai M, Paterni M, Ferdeghini E. Компьютерное распознавание эмфиземы легких на цифровой рентгенографии грудной клетки. Евр Дж Радиол. 2011;80(2):169–175. [PubMed] [Google Scholar]

73. Коппини Г., Миниати М., Патерни М., Монти С., Фердегини Э. Компьютерная диагностика эмфиземы у пациентов с ХОБЛ: анализ формы легких на основе нейронных сетей на цифровых рентгенограммах грудной клетки. мед. инж. физ. 2007;29(1):76–86. [PubMed] [Google Scholar]

74. Candemir S, Jaeger S, Lin W, Xue Z, Antani S, Thoma G (2016) Автоматическая локализация сердца и вычисление рентгенографического индекса при рентгенографии грудной клетки. В: Медицинская визуализация SPIE, том 9.785

75. Данцер КС. Кардиоторакальное соотношение: индекс увеличения сердца. Am J Med Sci. 1919; 157 (4): 513–554. [Google Scholar]

76. Браун Р., О.Рейли Г., Макинерни Д. Извлечение двумерного кардиоторакального соотношения из цифровых рентгенограмм грудной клетки: корреляция с сердечной функцией и традиционным кардиоторакальным соотношением. J цифровое изображение. 2004;17(2):120–123. [Бесплатная статья PMC] [PubMed] [Google Scholar]

77. Candemir S, Rajaraman S, Thoma G, Antani S (2018) Глубокое обучение для оценки тяжести кардиомегалии на рентгенограммах грудной клетки: исследование. В: Конференция по наукам о жизни. IEEE, стр. 109–113

78. Удупа Дж.К., Леблан В.Р., Чжуге Ю., Имелинска С., Шмидт Х., Карри Л.М., Хирш Б.Е., Вудберн Дж. Структура для оценки алгоритмов сегментации изображений. Comput Med Imaging Graph. 2006;30(2):75–87. [PubMed] [Google Scholar]

79. Дайс Л. Меры степени экологической связи между видами. Экология. 1945; 26 (3): 297–302. [Google Scholar]

80. Sampathkmar U, Prasath S, Meenay S, Palaniappan K (2016) Помощь в создании наземной истины с использованием интерактивной сегментации в инструменте визуализации и аннотации. В: Семинар IEEE по прикладному распознаванию образов изображений, стр. 1–7 9.0003

81. Beard D (2009) Firefly: интерактивный веб-инструмент для визуализации и проверки алгоритмов обработки изображений. В: к.т.н. диссертация, Университет Миссури, Колумбия

82. Рассел Б., Торральба А., Мерфи К., Фриман В. LabelMe: база данных и веб-инструмент для аннотирования изображений. Int J Comput Vis. 2008;77(1–3):157–173. [Google Scholar]

83. База данных цифровых изображений JSRT. http://db.jsrt.or.jp/eng.php. По состоянию на 8 июля 2018 г.

84. Справочные границы легких SCR. https://www.isi.uu.nl/Research/Databases/SCR/. По состоянию на 8 июля 2018 г.

85. Национальная медицинская библиотека США, наборы данных рентгенографии грудной клетки. https://ceb.nlm.nih.gov/repositories/tuberculosis-chest-x-ray-image-data-sets/. По состоянию на 8 июля 2018 г.

86. Белорусский туберкулезный портал. http://туберкулез.by//. По состоянию на 8 июля 2018 г.

87. Набор данных рентгенографии грудной клетки NIH. https://nihcc.app.box.com/v/ChestXray-NIHCC. По состоянию на 8 июля 2018 г.

88. Демнер-Фушман Д., Кохли М., Розенман М., Шушан С., Родригес Л., Антани С.