Войти
| Компьютерная диагностика | |
|---|---|
 Рентген руки с автоматическим вычислением кости возраст с помощью компьютерного программного обеспечения. | |
| Цель | компьютерная диагностика изображений |
Компьютерное обнаружение (CADe ), также называемое компьютером - вспомогательная диагностика (CADx ) - это системы, помогающие врачам интерпретировать медицинские изображения. Методы визуализации в рентгеновской, МРТ и ультразвуковой диагностике дают большой объем информации, которую радиолог или другой медицинский работник должен проанализировать и всесторонне оценить. короткое время. Системы CAD обрабатывают цифровые изображения для получения типичного внешнего вида и выделения заметных участков, таких как возможные заболевания, чтобы предложить исходные данные для поддержки решения, принятого профессионалом.
CAD также имеет потенциальные будущие приложения в цифровой патологии с появлением полных изображений слайдов и алгоритмов машинного обучения. До сих пор его применение ограничивалось количественной оценкой иммуноокрашивания, но также изучается стандартное окрашивание HE.
CAD - междисциплинарная технология, сочетающая элементы искусственного интеллект и компьютерное зрение с обработкой изображений радиологического и патологии. Типичное применение - обнаружение опухоли. Например, некоторые больницы используют ИБС для проведения профилактических медицинских осмотров при маммографии (диагностика рака груди), обнаружении полипов в толстой кишке и рака легких.
Компьютерное обнаружение (CADe) системы обычно ограничиваются маркировкой заметных структур и участков. Системы компьютерной диагностики (CADx) оценивают заметные структуры. Например, в маммографии CAD выделяет кластеры микрокальцификации и гиперплотные структуры в мягких тканях. Это позволяет рентгенологу сделать выводы о состоянии патологии. Другое приложение - CADq, который позволяет количественно оценить, например, размер опухоли или поведение опухоли при поглощении контрастного вещества. Компьютерная простая сортировка (CAST) - это еще один тип CAD, который выполняет полностью автоматическую первоначальную интерпретацию и сортировку исследований по некоторым значимым категориям (например, отрицательные и положительные). CAST особенно применима в неотложной диагностической визуализации, где требуется оперативная диагностика критического, опасного для жизни состояния.
Хотя CAD используется в клинических условиях более 40 лет, CAD обычно не заменяет врача или другого профессионала, а играет вспомогательную роль. Профессионал (как правило, радиолог) обычно несет ответственность за окончательную интерпретацию медицинского изображения. Однако целью некоторых CAD-систем является обнаружение самых ранних признаков аномалий у пациентов, которые не могут быть недоступны специалистам-людям, как, например, диабетическая ретинопатия, архитектурные искажения на маммограммах, узелки матового стекла на грудной КТ и неполиповидные («Плоские») поражения при КТ-колонографии.
В конце 1 950-е годы, с появлением современных компьютеров, исследователи в различных областях начали изучать возможность создания систем компьютерной медицинской диагностики (CAD). Эти первые CAD-системы использовали блок-схемы, статистическое сопоставление шаблонов, теорию вероятностей или базы знаний для управления процессом принятия решений.
С начала 1970-х годов некоторые из самых ранних CAD-систем в медицине, которые часто использовались в медицине именуемые «экспертными системами », были разработаны и использовались в основном в образовательных целях. Экспертная система MYCIN, экспертная система Internist-I и CADUCEUS (экспертная система) являются одними из таких примеров.
В начале ранних разработок исследователи стремились создать полностью автоматизированные САПР / экспертные системы. Ожидания того, что могут делать компьютеры, среди этих ученых были нереально оптимистичными. Однако после прорывной статьи «Сводимость среди комбинаторных задач» Ричарда М. Карпа стало ясно, что существуют ограничения, но также и потенциальные возможности при разработке алгоритмов для решения групп важных вычислительных задач.
В результате нового понимания различных алгоритмических ограничений, обнаруженных Карпом в начале 1970-х годов, исследователи начали осознавать серьезные ограничения, которые имеют САПР и экспертные системы в медицине. Осознание этих ограничений побудило исследователей разработать новые виды САПР с использованием передовых подходов. Таким образом, к концу 1980-х и началу 1990-х годов акцент сместился на использование подходов интеллектуального анализа данных с целью использования более совершенных и гибких САПР.
В 1998 году первая коммерческая CAD-система для маммографии, система ImageChecker, была одобрена Управлением по контролю за продуктами и лекарствами США (FDA). В последующие годы несколько коммерческих CAD-систем для анализа маммографии, МРТ груди, медицинских изображений легких, толстой кишки и сердца также получили одобрение FDA. В настоящее время системы CAD используются в качестве диагностического средства, чтобы помочь врачам принимать более обоснованные медицинские решения.
CAD в основном основан на очень сложном распознавании образов. Рентгеновские снимки или другие изображения сканируются на предмет подозрительных структур. Обычно для оптимизации алгоритма требуется несколько тысяч изображений. Данные цифрового изображения копируются на сервер САПР в формате DICOM и подготавливаются и анализируются в несколько этапов.
1. Предварительная обработка для
2. Сегментация для
3. Анализ структуры / области интереса (области интереса) Каждая обнаруженная область анализируется индивидуально по особым характеристикам:
4. Оценка / классификация После анализа структуры каждый ROI оценивается индивидуально (скоринг) на предмет вероятности TP. Следующие процедуры являются примерами алгоритмов классификации.
Если обнаруженные структуры достигли определенного порогового уровня, они выделяются на изображении для радиолога. В зависимости от системы CAD они маркировка может быть сохранена на постоянной или временной основе. Преимущество последнего состоит в том, что сохраняются только маркировки, одобренные радиологом. Ложные попадания не должны сохраняться, потому что в этом случае обследование в более позднее время становится более трудным.
CAD-системы стремятся выделить подозрительные структуры. Сегодняшние CAD-системы не могут обнаружить 100% патологических изменений. Частота попаданий (чувствительность ) может достигать 90% в зависимости от системы и Приложение. Правильное попадание называется Истинно Положительным (TP), а t Неправильная маркировка здоровых участков составляет ложноположительный результат (ЛП). Чем меньше указано FP, тем выше специфичность. Низкая специфичность снижает признание системы CAD, потому что пользователь должен идентифицировать все эти неправильные совпадения. Показатель FP при обзорных исследованиях легких (CAD Chest) может быть снижен до 2 за одно исследование. В других сегментах (например, при компьютерной томографии легких) частота FP может составлять 25 и более. В системах CAST частота FP должна быть чрезвычайно низкой (менее 1 на исследование), чтобы можно было провести значимое исследование сортировка.
Абсолютная частота обнаружения Радиолог - это показатель, альтернативный чувствительности и специфичности. В целом, результаты клинических испытаний по чувствительности, специфичности и абсолютной частоте обнаружения могут значительно различаться. Каждый результат исследования зависит от его основных условий и должен оцениваться с учетом этих условий. Сильное влияние оказывают следующие факты:
Несмотря на многие разработки, достигнутые ИБС с момента появления компьютеров, по-прежнему существуют определенные проблемы, с которыми сегодня сталкиваются системы CAD.
Некоторые проблемы связаны с различными алгоритмическими ограничениями в процедурах системы CAD, включая сбор входных данных, предварительную обработку, обработку и оценку системы. Алгоритмы обычно предназначены для выбора единственного вероятного диагноза, что обеспечивает субоптимальные результаты для пациентов с множественными одновременными расстройствами. Сегодня исходные данные для CAD в основном поступают из электронных медицинских карт (EHR). Эффективное проектирование, внедрение и анализ EHR - основная необходимость в любых CAD-системах.
Из-за большой доступности данных и необходимости их анализа большие данные также являются одной из самые большие проблемы, с которыми сегодня сталкиваются САПР. Серьезной проблемой является постоянно растущий объем данных о пациентах. Часто данные пациента являются сложными и могут быть полуструктурированными или неструктурированными данными. Это требует высокоразвитых подходов для их хранения, извлечения и анализа в разумные сроки.
На этапе предварительной обработки входные данные необходимо нормализовать. Нормализация входных данных включает уменьшение шума и фильтрацию. Обработка может содержать несколько подэтапов в зависимости от приложений. Основными тремя подэтапами медицинской визуализации являются сегментация, извлечение признаков / выбор и классификация. Эти подэтапы требуют передовых методов анализа входных данных с меньшим временем вычислений. Хотя много усилий было потрачено на создание инновационных методов для этих процедур в системах САПР, до сих пор не существует единственного лучшего алгоритма для каждого шага. Постоянные исследования по созданию инновационных алгоритмов для всех аспектов систем САПР имеют важное значение.
Также отсутствуют стандартизированные меры оценки для систем САПР. Этот факт может затруднить получение разрешения FDA на коммерческое использование. Более того, несмотря на то, что многие положительные разработки CAD-систем были подтверждены, исследования по проверке их алгоритмов для клинической практики вряд ли были подтверждены.
Другие проблемы связаны с проблемой, с которой медицинские работники могут внедрить новые CAD-системы в клиническую практику.. Некоторые отрицательные исследования могут препятствовать использованию CAD. Кроме того, недостаток обучения медицинских работников использованию CAD иногда приводит к неправильной интерпретации результатов системы. Эти проблемы описаны более подробно в.
Интерфейс Medical Sieve, алгоритм от IBM для помощи в принятии клинических решений. CAD используется в диагностике рак груди, рак легких, рак толстой кишки, рак простаты, метастазы в кости, коронарная артерия болезнь, врожденный порок сердца, обнаружение патологического мозга, болезнь Альцгеймера и диабетическая ретинопатия.
ИБС используется при скрининге маммография (рентгенологическое исследование женской груди). Скрининговая маммография используется для раннего выявления рака груди. CAD-системы часто используются, чтобы классифицировать опухоль как злокачественную или доброкачественную. ИБС особенно распространена в США и Нидерландах и используется в дополнение к оценке на людях, обычно радиологом. Первая система CAD для маммографии была разработана в рамках исследовательского проекта Чикагского университета. Сегодня его коммерчески предлагают iCAD и Hologic. Однако, достигая высокой чувствительности, системы CAD, как правило, имеют очень низкую специфичность, и преимущества использования CAD остаются неопределенными. В систематическом обзоре 2008 г. по компьютерному выявлению при скрининговой маммографии сделан вывод, что ИБС не оказывает значительного влияния на частоту выявления рака, но нежелательно увеличивает частоту отзыва (то есть частоту ложноположительных результатов). Тем не менее, он отметил значительную неоднородность во влиянии на частоту отзыва в исследованиях.
Существуют также процедуры оценки маммографии на основе магнитно-резонансной томографии.
При диагностике рака легкого компьютерная томография со специальными трехмерными системами CAD используется и рассматривается как подходящее второе мнение. При этом готовится и анализируется объемный набор данных, содержащий до 3000 отдельных изображений. Выявляются круглые поражения (рак легкого, метастазы и доброкачественные изменения) размером от 1 мм. Сегодня все известные производители медицинских систем предлагают соответствующие решения.
Раннее обнаружение рака легких очень важно. Однако случайное обнаружение рака легких на ранней стадии (стадия 1) на рентгеновском снимке затруднено. Круглые поражения размером 5–10 мм легко не заметить. Обычное применение CAD Chest Systems может помочь обнаружить небольшие изменения без первоначального подозрения. Ряд исследователей разработали системы CAD для обнаружения узелков в легких (круглые поражения размером менее 30 мм) при рентгенографии грудной клетки и КТ, а также системы CAD для диагностики (например, различия между злокачественными и доброкачественными) узлов в легких при КТ. Виртуальная двухэнергетическая визуализация повысила эффективность систем CAD при рентгенографии грудной клетки.
CAD доступен для обнаружения колоректальных полипов в толстой кишке в КТ-колонографии. Полипы - это небольшие разрастания, которые возникают из внутренней оболочки толстой кишки. CAD обнаруживает полипы, определяя их характерную «неровную» форму. Чтобы избежать чрезмерного количества ложных срабатываний, CAD игнорирует нормальную стенку толстой кишки, включая хаустральные складки.
ИБС доступна для автоматического обнаружения значительного (вызывающего более 50% стеноза ) ишемической болезни сердца при КТ коронарных артерий. ангиографические исследования (CCTA).
Раннее обнаружение патологии может стать решающим фактором между жизнью и смертью. CADe может быть выполнено посредством аускультации с помощью цифрового стетоскопа и специального программного обеспечения, также известного как Компьютерная аускультация. Шумы, нерегулярные сердечные тоны, вызванные током крови через дефектное сердце, могут быть обнаружены с высокой чувствительностью и специфичностью. Компьютерная аускультация чувствительна к внешнему шуму и звукам тела и требует почти бесшумной среды для точного функционирования.
Chaplot et al. был первым, кто использовал коэффициенты дискретного вейвлет-преобразования (DWT) для обнаружения патологического мозга. Майтра и Чаттерджи использовали преобразование Slantlet, которое является улучшенной версией DWT. Их вектор признаков каждого изображения создается путем рассмотрения величин выходных данных преобразования Slantlet, соответствующих шести пространственным положениям, выбранным в соответствии с определенной логикой.
В 2010 году Ван и Ву представили метод на основе прямой нейронной сети (FNN). чтобы классифицировать данное МРТ-изображение мозга как нормальное или ненормальное. Параметры FNN были оптимизированы с помощью адаптивной оптимизации роя хаотических частиц (ACPSO). Результаты более 160 изображений показали, что точность классификации составила 98,75%.
В 2011 году Ву и Ван предложили использовать DWT для выделения признаков, PCA для уменьшения признаков и FNN с масштабированной хаотической искусственной пчелиной колонией (SCABC) в качестве классификатора..
В 2013 году Saritha et al. были первыми, кто применил вейвлет-энтропию (WE) для обнаружения патологического мозга. Сарита также предложила использовать сюжеты в паутине. Позже Zhang et al. оказалось, что удаление паутины не повлияло на производительность. Метод поиска по генетическому паттерну был применен для идентификации аномального мозга из нормального контроля. Сообщается, что точность его классификации составляет 95,188%. Das et al. предложили использовать преобразование Ripplet. Zhang et al. предложили использовать оптимизацию роя частиц (PSO). Kalbkhani et al. предложили использовать модель GARCH.
В 2014 г. El-Dahshan et al. предложили использовать нейронную сеть с импульсной связью.
В 2015 году Zhou et al. предложили применить наивный байесовский классификатор для обнаружения патологических состояний мозга.
ИБС можно использовать для выявления субъектов с болезнью Альцгеймера и умеренными когнитивными нарушениями у здоровых людей старшего возраста.
В 2014 году Padma et al. использовали комбинированные функции статистической текстуры вейвлетов для сегментации и классификации срезов доброкачественных и злокачественных опухолей AD. Zhang et al. обнаружил, что дерево решений векторной машины поддержки ядра имело 80% точность классификации со средним временем вычисления 0,022 с для каждой классификации изображений.
В 2019 году Signaevsky et al. впервые сообщили об обученной полностью сверточной сети (FCN) для обнаружения и количественной оценки нейрофибриллярных клубков (NFT) при болезни Альцгеймера и ряде других таупатий. Обученный FCN достиг высокой точности и отзывчивости в наивной семантической сегментации полного цифрового изображения (WSI) , правильно идентифицируя объекты NFT с использованием модели SegNet, обученной для 200 эпох. FCN достигла практически практической эффективности со средним временем обработки 45 минут на WSI на графический процессор (GPU), что обеспечивает надежное и воспроизводимое крупномасштабное обнаружение NFT. Измеренная производительность на тестовых данных восьми наивных WSI при различных таупатиях привела к отзыву, точности и баллу F1 0,92, 0,72 и 0,81,
Собственный мозг - это новая функция мозга, которая может помочь обнаружить AD на основе разложения анализа главных компонентов или анализа независимых компонентов. Было показано, что SVM с полиномиальным ядром обеспечивает хорошую точность. Полиномиальный KSVM работает лучше, чем линейный SVM и SVM ядра RBF. Другие подходы с хорошими результатами включают использование анализа текстуры, морфологических характеристик или статистических функций высокого порядка.
CADx доступен для изображений ядерной медицины. Существуют коммерческие системы CADx для диагностики метастазов в кости при сканировании костей всего тела и ишемической болезни сердца на изображениях перфузии миокарда.
Имея высокую чувствительность и приемлемую частоту обнаружения ложных поражений, автоматизированная компьютерная система обнаружения поражений продемонстрирована как полезная и, вероятно, в будущем сможет помочь врачам ядерной медицины выявить возможные поражения костей.
Диабетическая ретинопатия - это заболевание сетчатки, которое диагностируется преимущественно фундоскопические изображения. Пациенты с диабетом в промышленно развитых странах обычно проходят регулярный скрининг на наличие этого заболевания. Визуализация используется для распознавания ранних признаков аномальных кровеносных сосудов сетчатки. Ручной анализ этих изображений может занять много времени и быть ненадежным. CAD был использован для повышения точности, чувствительности и специфичности автоматического метода обнаружения. Использование некоторых систем САПР для замены людей, оценивающих людей, может быть безопасным и рентабельным.
Предварительная обработка изображений, а также выделение и классификация признаков - два основных этапа этих алгоритмов САПР.
Нормализация изображения сводит к минимуму вариации по всему изображению. Сообщалось, что вариации интенсивности в областях между периферией и центральной макулярной областью глаза вызывают неточность сегментации сосудов. Согласно обзору 2014 года, этот метод был наиболее часто используемым и появился в 11 из 40 недавно опубликованных (с 2011 года) первичных исследований.
Образец изображения выравнивания гистограммы. Слева: нормальное полутоновое изображение глазного дна. Справа: обработка выравнивания пост-гистограммы. Выравнивание гистограммы полезно для повышения контрастности изображения. Этот прием используется для увеличения локального контраста. В конце обработки области, которые были темными на входном изображении, будут осветлены, что значительно повысит контраст между элементами, присутствующими в этой области. С другой стороны, более яркие области входного изображения останутся яркими или будут уменьшены по яркости, чтобы уравняться с другими областями изображения. Помимо сегментации сосудов, с помощью этого метода предварительной обработки можно дополнительно разделить другие признаки, связанные с диабетической ретинопатией. Микроаневризма и кровоизлияния представляют собой красные поражения, а экссудаты - желтые пятна. Увеличение контраста между этими двумя группами позволяет лучше визуализировать поражения на изображениях. Обзор 2014 г. показал, что 10 из 14 опубликованных недавно (с 2011 г.) первичных исследований.
Фильтрация каналов зеленого цвета - это еще один метод, который полезен для дифференциации поражений, а не сосудов. Этот метод важен, поскольку он обеспечивает максимальный контраст между поражениями, связанными с диабетической ретинопатией. Микроаневризмы и кровоизлияния - это красные образования, которые становятся темными после применения фильтрации зеленого канала. Напротив, экссудаты, которые на нормальном изображении выглядят желтыми, после зеленой фильтрации превращаются в яркие белые пятна. Согласно обзору 2014 года, этот метод используется в основном в 27 из 40 опубликованных статей за последние три года. Кроме того, фильтрация зеленого канала может использоваться для обнаружения центра диска зрительного нерва в сочетании с системой двойного окна.
Коррекция неравномерного освещения - это метод, который корректирует неравномерное освещение в изображении глазного дна. Неравномерное освещение может быть потенциальной ошибкой при автоматическом обнаружении диабетической ретинопатии из-за изменений статистических характеристик изображения. Эти изменения могут повлиять на последующую обработку, такую как извлечение признаков, и не наблюдаются людьми. Коррекция неравномерного освещения (f ') может быть достигнута путем изменения интенсивности пикселей с использованием известной исходной интенсивности пикселей (f) и средней интенсивности локальных (λ) и желаемых пикселей (μ) (см. Формулу ниже). Затем применяется преобразование Вальтера-Клейна для достижения равномерного освещения. Этот метод является наименее используемым методом предварительной обработки в обзоре за 2014 год.
Морфологические операции - вторые наименее используемые метод предварительной обработки в обзоре 2014 года. Основная цель этого метода - обеспечить усиление контраста, особенно более темных областей по сравнению с фоном.
После предварительной обработки изображения глазного дна изображение будет дополнительно проанализировано с использованием различных вычислительных методов. Однако в современной литературе подтверждается, что некоторые методы используются чаще, чем другие, при анализе сегментации сосудов. Это методы SVM, многомасштабный подход, отслеживание судов, подход к выращиванию региона и подходы на основе моделей.
Машина опорных векторов. Опорные векторы (пунктирные линии) созданы для максимального разделения между двумя группами. Машина опорных векторов является наиболее часто используемым классификатором при сегментации сосудов, до 90% случаев. SVM - это модель обучения с учителем, которая относится к более широкой категории методов распознавания образов. Алгоритм работает, создавая наибольший разрыв между отдельными выборками в данных. Цель состоит в том, чтобы создать наибольший разрыв между этими компонентами, чтобы минимизировать потенциальную ошибку при классификации. Чтобы успешно отделить информацию о кровеносных сосудах от остальной части изображения глаза, алгоритм SVM создает опорные векторы, которые отделяют пиксель кровеносного сосуда от остальной части изображения через контролируемую среду. Обнаружение кровеносных сосудов по новым изображениям может быть выполнено аналогичным образом с использованием опорных векторов. Сочетание с другими методами предварительной обработки, такими как фильтрация зеленого канала, значительно повышает точность обнаружения аномалий кровеносных сосудов. Некоторые полезные свойства SVM включают:
Многомасштабный подход представляет собой подход с множественным разрешением при сегментации сосудов. При низком разрешении сначала можно извлечь сосуды большого диаметра. При увеличении разрешения можно легко распознать более мелкие ответвления от крупных сосудов. Таким образом, одним из преимуществ использования этого метода является повышенная аналитическая скорость. Кроме того, этот подход можно использовать с 3D-изображениями. Представление поверхности - это поверхность, перпендикулярная кривизне сосудов, что позволяет обнаруживать аномалии на поверхности сосудов.
Отслеживание сосудов - это способность алгоритма обнаруживать "осевую линию" сосудов. Эти осевые линии являются максимальным пиком кривизны сосуда. Центры судов можно найти с помощью информации о направлении, предоставляемой фильтром Гаусса. Сходные подходы, в которых используется концепция центральной линии, основаны на каркасе и на основе дифференциальной геометрии.
Подход наращивания области - это метод обнаружения соседних пикселей, имеющих сходство. Для запуска такого метода требуется начальная точка. Для работы этой техники необходимы два элемента: подобие и пространственная близость. Соседний с начальным пикселем пиксель с аналогичной интенсивностью, вероятно, будет того же типа и будет добавлен в область роста. Одним из недостатков этого метода является то, что он требует ручного выбора начальной точки, что вносит систематическую ошибку и непоследовательность в алгоритм. Этот метод также используется для идентификации диска зрительного нерва.
Подходы, основанные на моделях, используют представление для извлечения сосудов из изображений. Известны три широкие категории моделей, основанных на модели: деформируемые, параметрические и сопоставление шаблонов. Деформируемые методы используют объекты, которые будут деформированы, чтобы соответствовать контурам объектов на изображении. Параметрический использует геометрические параметры, такие как трубчатое, цилиндрическое или эллипсоидное представление кровеносных сосудов. Классический контур змеи в сочетании с топологической информацией кровеносных сосудов также может использоваться в качестве модельного подхода. Наконец, сопоставление шаблонов - это использование шаблона, подогнанного к процессу стохастической деформации с использованием скрытого марковского режима 1.
Автоматизация работы по диагностике (например, количественная оценка красные кровяные тельца ) имеет исторический прецедент. Революция глубокого обучения 2010-х годов уже привела к созданию ИИ, который во многих областях визуальной диагностики более точен, чем радиологи и дерматологи, и ожидается, что этот разрыв будет расти. Некоторые эксперты, в том числе многие врачи, пренебрежительно относятся к влиянию ИИ на медицинские специальности. Напротив, многие экономисты и эксперты в области искусственного интеллекта полагают, что такие области, как радиология, будут серьезно нарушены из-за безработицы или снижения заработной платы радиологов; больницам в целом понадобится меньше рентгенологов, и многим радиологам, которые все еще существуют, потребуется существенная переподготовка. Джеффри Хинтон, «крестный отец глубокого обучения», утверждает, что (ввиду вероятного прогресса, ожидаемого в ближайшие пять или десять лет) больницы должны немедленно прекратить обучение радиологов, поскольку их обучение требует много времени и средств. по визуальной диагностике скоро в основном устареют, что приведет к перенасыщению традиционных радиологов. В статье JAMA утверждается, что патологи и радиологи должны объединиться в одну роль «специалиста по информации», и заявляет, что «Чтобы избежать замены компьютерами, радиологи должны позволить себе заменить себя компьютерами». Специалисты по информации будут обучены "байесовской логике, статистике, науке о данных", а также некоторой геномике и биометрии; ручному распознаванию визуальных образов было бы значительно меньше уделяться внимания по сравнению с нынешним обременительным обучением радиологии.
