dtЦифровая трансформацияDigital Transformation2522-96132524-2822Educational Establishment “Belarusian State University of Informatics and Radioelectronics”10.35596/1729-7648-2025-31-4-55-64dt-972Research ArticleТЕХНИЧЕСКИЕ НАУКИTECHNICAL SCIENCESПрименение компьютерного зрения для автоматизированной обработки медицинских документовApplication of Computer Vision for Automated Processing of Medical DocumentsКурлюкЕ. А.KurliukY. A.

Курлюк Евгений Александрович, оператор ПЭВМ науч.-исслед. лаб. ультразвуковых технологий и оборудования

220013, Минск, ул. П. Бровки, 6

Тел.: +379 29 794-86-00

Kurliuk Yauheni Aleksandrovich, PC Operator of the Research Laboratory of Ultrasound Technologies and Equipment

220013, Minsk, P. Brovki St., 6

Tel.: +379 29 794-86-00

kurluke750@gmail.comЛарченкоН. А.LarchenkoN. A.

Ларченко Н. А., студент

Минск

Larchenko N. A., Student

Minsk

ДавыдовМ. В.DavydovM. V.

Давыдов М. В., канд. техн. наук, доц., первый проректор

Минск

Davydov M. V., Сand. Sci. (Tech.), Associate Professor, First Vice-Rector

Minsk

КурлянскаяЕ. К.KurlyanskayaE. K.

Курлянская Е. К., д-р мед. наук, проф., зам. дир. по терапевтической помощи

Минск

Kurlyanskaya E. K., Dr. Sci. (Med.), Professor, Deputy Director for Therapeutic Care

Minsk

Белорусский государственный университет информатики и радиоэлектроникиBelarusian State University of Informatics and RadioelectronicsРеспубликанский научно-практический центр «Кардиология»Scientific and Practical Centre “Cardiology”2025231220253145564Copyright © Курлюк Е.А., Ларченко Н.А., Давыдов М.В., Курлянская Е.К., 20252025Курлюк Е.А., Ларченко Н.А., Давыдов М.В., Курлянская Е.К.Kurliuk Y.A., Larchenko N.A., Davydov M.V., Kurlyanskaya E.K.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://dt.bsuir.by/jour/article/view/972

Рассмотрена задача автоматизации обработки медицинских изображений при диагностике артериальной гипертензии с применением методов искусственного интеллекта и технологий компьютерного зрения. Разработан программный компонент, обеспечивающий автоматическое извлечение и структурирование информации из визуальных представлений медицинских документов (включая результаты биохимического анализа, общего анализа крови и данных суточного мониторинга артериального давления), что позволяет минимизировать количество ошибок и ускорить процессы ввода и интерпретации медицинской информации. Созданы и апробованы алгоритмы предобработки изображений (увеличение разрешения изображения, устранение шумов, коррекция наклона), сегментации и распознавания текстовых данных с помощью нейросетевых моделей Real-ESRGAN и EasyOCR. Особое внимание уделено улучшению качества распознавания текста при наличии характерных артефактов, возникающих при сканировании или фотографировании документов. Для оценки качества использовались метрики CER, WER, исследовалась эффективность работы модуля с применением суперразрешения и без него. Результаты исследования подтвердили эффективность предлагаемого подхода и показали, что интеграция технологии Real-ESRGAN позволяет повысить точность обработки медицинских изображений в условиях наличия значительных шумов и низкого разрешения исходных данных. Практическая значимость исследования заключается в упрощении и ускорении процесса диагностики гипертонии и создании основы для персонализированного подхода к лечению пациентов.

This paper examines the automation of medical image processing for diagnosing arterial hypertension using artificial intelligence and computer vision technologies. A software component has been developed that automatically extracts and structures information from visual representations of medical documents (including biochemical analysis results, complete blood counts, and 24-hour blood pressure monitoring data), minimizing errors and accelerating the process of entering and interpreting medical information. Algorithms for image preprocessing (increasing image resolution, noise removal, and tilt correction), segmentation, and text recognition were developed and tested using the Real-ESRGAN and EasyOCR neural network models. Particular attention was paid to improving text recognition quality in the presence of characteristic artifacts that arise when scanning or photographing documents. CER and WER metrics were used to evaluate quality, and the module's performance was assessed with and without superresolution. The results of the study confirmed the effectiveness of the proposed approach and demonstrated that the integration of Real-ESRGAN technology improves the accuracy of medical image processing in the presence of significant noise and low-resolution source data. The practical significance of the study lies in simplifying and accelerating the process of diagnosing hypertension and creating the basis for a personalized approach to patient treatment.

гипертониямашинное обучениекомпьютерное зрениеоптическое распознавание текстаувеличение разрешения изображенияобработка медицинских данныхпредобработка изображенийhypertensionmachine learningcomputer visionoptical character recognitionimage super-resolutionmedical data processingimage preprocessingReferencesKjeldsen, S. E. Hypertension and Cardiovascular Risk: General Aspects / S. E. Kjeldsen // Pharmacological Research. 2018. Vol. 129. P. 95–99.Kjeldsen S. E. (2018) Hypertension and Cardiovascular Risk: General Aspects. Pharmacological Research. 129, 95–99.Hypertension Management in the High Cardiovascular Risk Population / I. Maraj [et al.] // International Journal of Hypertension. 2013. https://doi.org/10.1155/2013/382802.Maraj I., Makaryus J. N., Ashkar A., McFarlane S. I., Makaryus A. N. (2013) Hypertension Management in the High Cardiovascular Risk Population. International Journal of Hypertension. 2013. https://doi.org/10.1155/2013/382802.Handler, J. Clinical Challenges in Diagnosing and Managing Adult Hypertension / J. Handler // Cleveland Clinic Journal of Medicine. 2015. Vol. 82, Iss. 2. P. S36–S41.Handler J. (2015) Clinical Challenges in Diagnosing and Managing Adult Hypertension. Cleveland Clinic Journal of Medicine. 82 (2), S36–S41.Автоматизация обработки медицинских данных с использованием компьютерного зрения: подходы и перспективы внедрения в кардиологии / Е. А. Курлюк [и др.] // Средства медицинской электроники и новые медицинские технологии: матер. XIV Междунар. науч.-техн. конф. «Медэлектроника–2024», Минск, 5–6 дек. 2024 г. Минск: Белор. гос. ун-т информ. и радиоэлек., 2024. С. 254–259.Kurlyuk E. A., Larchenko N. A., Davydov M. V., Kurlyanskaya E. K. (2024) Automation of Medical Data Processing Using Computer Vision: Approaches and Implementation Prospects in Cardiology. Proceedings of the XIV International Scientific and Technical Conference “Medelectronics–2024”, Minsk, Dec. 5–6. Minsk, Belarusian State University of Informatics and Radioelectronics. 254–259 (in Russian).Применение искусственного интеллекта в кардиологии и перспективы его дальнейшего внедрения / Н. А. Ларченко [и др.] // Средства медицинской электроники и новые медицинские технологии: матер. XIV Междунар. науч.-техн. конф. «Медэлектроника–2024», Минск, 5–6 дек. 2024 г. Минск: Белор. гос. ун-т информ. и радиоэлек., 2024. С. 12–16.Larchenko N. A., Kurlyuk E. A., Davydov M. V., Kurlyanskaya E. K. (2024) Application of Artificial Intelligence in Cardiology and Prospects for Its Implementation. Proceedings of the XIV International Scientific and Technical Conference “Medelectronics–2024”, Minsk, Dec. 5–6. Minsk, Belarusian State University of Informatics and Radioelectronics. 12–16 (in Russian).Cardiac Imaging: Working Towards Fully-Automated Machine Analysis & Interpretation / P. J. Slomka [et al.] // Expert Review of Medical Devices. 2017. Vol. 14, No 3. P. 197–212.Slomka P. J., Dey D., Sitek A., Motwani M., Berman D. S., Germano G. (2017) Cardiac Imaging: Working Towards Fully-Automated Machine Analysis & Interpretation. Expert Review of Medical Devices. 14 (3), 197–212.Artificial Intelligence as a Business Partner in Cardiovascular Precision Medicine: An Emerging Approach for Disease Detection and Treatment Optimization / V. Visco [et al.] // Current Medicinal Chemistry. 2021. Vol. 28. P. 6569–6590.Visco V., Ferruzzi G. J., Nicastro F., Virtuoso N., Carrizzo A., Galasso G., et al. (2021) Artificial Intelligence as a Business Partner in Cardiovascular Precision Medicine: An Emerging Approach for Disease Detection and Treatment Optimization. Current Medicinal Chemistry. 28, 6569–6590.Highly Precise Risk Prediction Model for New-Onset Hypertension Using Artificial Intelligence Techniques / H. Kanegae [et al.] // The Journal of Clinical Hypertension. 2020. Vol. 22. P. 445–450.Kanegae H., Suzuki K., Fukatani K., Ito T., Harada N., Kario K. (2020) Highly Precise Risk Prediction Model for New-Onset Hypertension Using Artificial Intelligence Techniques. The Journal of Clinical Hypertension. 22, 445–450.An Application of Machine Learning to Etiological Diagnosis of Secondary Hypertension: Retrospective Study Using Electronic Medical Records / X. Diao [et al.] // JMIR Medical Informatics. 2021. Vol. 9. https://doi.org/10.2196/19739.Diao X., Huo Y., Zhanzheng Y., Wang H., Yuan J., Wang Y., et al. (2021) An Application of Machine Learning to Etiological Diagnosis of Secondary Hypertension: Retrospective Study Using Electronic Medical Records. JMIR Medical Informatics. 9. https://doi.org/10.2196/19739.Li, Y. Improving Tabular Data Extraction in Scanned Laboratory Reports Using Deep Learning Models / Y. Li, Q. Wei // Journal of Biomedical Informatics. 2024. Vol. 159. P. 1–13.Li Y., Wei Q. (2024) Improving Tabular Data Extraction in Scanned Laboratory Reports Using Deep Learning Models. Journal of Biomedical Informatics. 159, 1–13.IRE: Improved Image Super-Resolution Based on Real-ESRGAN / Z. Zhu [et al.] // IEEE Access. 2023. Vol. 11. P. 45334–45348.Zhu Z., Lei Y., Qin Y., Zhu C., Zhu Y. (2023) IRE: Improved Image Super-Resolution Based on Real-ESRGAN. IEEE Access. 11, 45334–45348.De-Las-Heras, G. Advanced Driver Assistance Systems (ADAS) Based on Machine Learning Techniques for the Detection and Transcription of Variable Message Signs on Roads / G. De-Las-Heras, J. Sánchez-Soriano, E. Puertas // Sensors. 2021. Vol. 21, No 17. https://doi.org/10.3390/s21175866.De-Las-Heras G., Sánchez-Soriano J., Puertas E. (2021) Advanced Driver Assistance Systems (ADAS) Based on Machine Learning Techniques for the Detection and Transcription of Variable Message Signs on Roads. Sensors. 21 (17). https://doi.org/10.3390/s21175866.

The authors declare that there are no conflicts of interest present.