Роль маммографии в радиомике рака молочной железы

Обложка

Цитировать

Полный текст

Аннотация

Маммография — в настоящее время единственный способ скрининга рака молочной железы (РМЖ). Хотя цифровая маммография служит основным и наиболее широкодоступным методом для выявления РМЖ, её эффективность в обнаружении и оценке внутриопухолевой гетерогенности опухоли ограничена. Пункционная биопсия не может отразить гистологической картины опухоли в целом из-за небольшого размера образца ткани или опухоли. По этой причине выбор подходящего лечения и определение прогноза становится затруднительным. В этом случае такой неинвазивный подход, как медицинская визуализация, даёт более полное представление об опухоли, перспективен при «виртуальной биопсии», а также в контроле прогрессирования заболевания и ответа на терапию.

Радиомика с помощью текстурного анализа позволяет взглянуть на снимок как на группу числовых характеристик, выйти за пределы привычного качественного зрительного восприятия интенсивностей и перейти к более глубокому анализу цифровых, пиксельных данных с целью повышения точности дифференциальной диагностики. Метод радиогеномики, являясь естественным продолжением радиомики, фокусируется на определении экспрессии генов исходя из лучевого фенотипа опухоли. В обзоре рассматриваются возможности применения маммографии в радиомике и радиогеномике РМЖ.

В статье представлен обзор литературы баз данных PubMed, Medline, Springer, eLibrary, а также найденных с помощью Google Scholar актуальных российских научных статей. Полученная релевантная информация объединена, структурирована и проанализирована с целью изучения роли маммографии в радиомике РМЖ.

Об авторах

Вероника Георгиевна Говорухина

Московский государственный университет имени М.В. Ломоносова

Email: govorukhinaver@gmail.com
ORCID iD: 0000-0002-1611-9618
SPIN-код: 7038-8580

MD

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Серафим Сергеевич Семенов

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; Московский клинический научный центр имени А.С. Логинова Департамента здравоохранения города Москвы

Автор, ответственный за переписку.
Email: s.semenov@npcmr.ru
ORCID iD: 0000-0003-2585-0864
SPIN-код: 4790-0416

Врач-ординатор по направлению Рентгенология, инженер отдела медицинской информатики, радиомики и радиогеномики

Россия, Москва; Москва

Павел Борисович Гележе

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: gelezhe.pavel@gmail.com
ORCID iD: 0000-0003-1072-2202
SPIN-код: 4841-3234

кандидат медицинских наук

Россия, Москва

Вера Владимировна Диденко

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; Городская клиническая онкологическая больница № 1

Email: didenko@npcmr.ru
ORCID iD: 0000-0001-9068-1273
SPIN-код: 5033-8376

MD

Россия, Москва; Москва

Сергей Павлович Морозов

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: morozov@npcmr.ru
ORCID iD: 0000-0001-6545-6170
SPIN-код: 8542-1720

доктор медицинских наук, профессор

Россия, Москва

Анна Евгеньевна Андрейченко

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: a.andreychenko@npcmr.ru
ORCID iD: 0000-0001-6359-0763
SPIN-код: 6625-4186

кандидат физико-математических наук

Россия, Москва

Список литературы

  1. Каприн, А.Д., Старинский, В.В., Петрова Г.В. Злокачественные новообразования в России в 2018 году (заболеваемость и смертность). Москва: МНИОИ им. П.А. Герцена, 2019. 250 с.
  2. Каприн А.Д., Старинский В.В. Состояние онкологической помощи населению России в 2019 году. Москва: МНИОИ им. П.А. Герцена, 2020. 239 с.
  3. Гришина К.А., Музаффарова Т.А., Хайленко В.А., Карпухин А.В. Молекулярно-генетические маркеры рака молочной железы//Опухоли женской репродуктивной системы. 2016. Vol. 12, N 3. P. 36–42. doi: 10.17650/1994-4098-2016-12-3-36-42
  4. Wu M., Ma J. Association between imaging characteristics and different molecular subtypes of breast cancer//Acad Radiol. 2017. Vol. 24, N 4. P. 426–434. doi: 10.1016/j.acra.2016.11.012
  5. Стенина М.Б., Жукова Л. Г., Королева И. А., и соавт. Практические рекомендации по лекарственному лечению рака молочной железы//Malig tumours. 2021. Vol. 10. N 3.
  6. Pesapane F., Suter M.B., Rotili A., et al. Will traditional biopsy be substituted by radiomics and liquid biopsy for breast cancer diagnosis and characterisation?//Med Oncol. 2020. Vol. 37, N 4. P. 29. doi: 10.1007/s12032-020-01353-1
  7. Januškevičienė I., Petrikaitė V. Heterogeneity of breast cancer: The importance of interaction between different tumor cell populations//Life Sci. 2019. Vol. 239. P. 117009. doi: 10.1016/j.lfs.2019.117009
  8. Turashvili G., Brogi E. Tumor heterogeneity in breast cancer//Front Med. 2017. Vol. 4. P. 227. doi: 10.3389/fmed.2017.00227
  9. Завьялова М.В., Вторушин С.В., Цыганов М.М. Внутриопухолевая гетерогенность : природа и биологическое значение. Обзор//Биохимия. 2013. Т. 78, № 11. С. 1531–1549.
  10. Ma W., Zhao Y., Ji Y., et al. Breast cancer molecular subtype prediction by mammographic radiomic features//Acad Radiol. 2019. Vol. 26, N 2. P. 196–201. doi: 10.1016/j.acra.2018.01.023
  11. Aerts H.J., Velazquez E.R., Leijenaar R.T., et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach//Nat Commun. 2014. Vol. 5. P. 4006. doi: 10.1038/ncomms5006
  12. Lin F., Wang Z., Zhang K., et al. Contrast-Enhanced spectral mammography-based radiomics nomogram for identifying benign and malignant breast lesions of Sub-1 cm//Front Oncol. 2020. Vol. 10. P. 573630. doi: 10.3389/fonc.2020.573630
  13. Li X., Qin G., He Q., et al. Digital breast tomosynthesis versus digital mammography: integration of image modalities enhances deep learning-based breast mass classification//Eur Radiol. 2020. Vol. 30, N 2. P. 778–788. doi: 10.1007/s00330-019-06457-5
  14. Nazari S.S., Mukherjee P. An overview of mammographic density and its association with breast cancer//Breast Cancer. 2018. Vol. 25, N 3. P. 259–267. doi: 10.1007/s12282-018-0857-5
  15. Conti A., Duggento A., Indovina I., et al. Radiomics in breast cancer classification and prediction//Semin Cancer Biol. 2021. Vol. 72. P. 238–250.
  16. Hogg P., Kelly J., Mercer C. Digital mammography: A holistic approach//Springer. 2015. 309 p.
  17. Demircioglu O., Uluer M., Aribal E. How many of the biopsy decisions taken at inexperienced breast radiology units were correct?//J Breast Heal. 2017. Vol. 13, N 1. P. 23–26. doi: 10.5152/tjbh.2016.2962
  18. Valdora F., Houssami N., Rossi F., et al. Rapid review: radiomics and breast cancer//Breast Cancer Res Treat. 2018. Vol. 169, N 2. P. 217–229. doi: 10.1007/s10549-018-4675-4
  19. Mayerhoefer M.E., Materka A., Langset G., et al. Introduction to radiomics//J Nucl Med. 2020. Vol. 61, N 4. P. 488–495. doi: 10.2967/jnumed.118.222893
  20. Lambin P., Zindler J., Vanneste B.G., et al. Decision support systems for personalized and participative radiation oncology//Adv Drug Deliv Rev. 2017. Vol. 109. P. 131–153. doi: 10.1016/j.addr.2016.01.006
  21. Wen Y.L., Leech M. Review of the role of radiomics in tumour risk classification and prognosis of cancer//Anticancer Research. 2020. Vol. 40, N 7. P. 3605–3618. doi: 10.21873/anticanres.14350
  22. Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images are more than pictures, they are data//Radiology. 2016. Vol. 278, N 2. P. 563–577. doi: 10.1148/radiol.2015151169
  23. Lambin P., Leijenaar R.T., Deist T.M., et al. Radiomics: The bridge between medical imaging and personalized medicine//Nat Rev Clin Oncol. 2017. Vol. 14, N 12. P. 749–762. doi: 10.1038/nrclinonc.2017.141
  24. Vailati-Riboni M., Palombo V., Loor J.J. What are omics sciences?//Periparturient Diseases of Dairy Cows: A Systems Biology Approach. 2017. Р. 1–7. doi: 10.1007/978-3-319-43033-1_1
  25. Porcu M., Solinas C., Mannelli L., et al. Radiomics and “radi-omics” in cancer immunotherapy: a guide for clinicians//Crit Rev Oncol Hematol. 2020. Vol. 154. P. 103068. doi: 10.1016/j.critrevonc.2020.103068
  26. Ognerubov N.A., Shatov I.A., Shatov A.V. Radiogenomics and radiomics in the diagnostics of malignant tumours: a literary review//Tambov Univ Reports Ser Nat Tech Sci. 2017. Vol. 22, N 6-2. P. 1453–1460. doi: 10.20310/1810-0198-2017-22-6-1453-1460
  27. Nasief H., Hall W, Zhenget C, al. Improving treatment response prediction for chemoradiation therapy of pancreatic cancer using a combination of delta-radiomics and the clinical biomarker CA19-9//Front Oncol. 2020. Vol. 9. P. 1464. doi: 10.3389/fonc.2019.01464
  28. Lambin P., Rios-Velazquez E., Leijenaar R., et al. Radiomics: Extracting more information from medical images using advanced feature analysis//Eur J Cancer. 2012. Vol. 48, N 4. P. 441–446. doi: 10.1016/j.ejca.2011.11.036
  29. Kerns S.L., Ostrer H., Rosenstein B.S. Radiogenomics: Using genetics to identify cancer patients at risk for development of adverse effects following radiotherapy//Cancer Discovery. 2014. Vol. 4, N 2. P. 155–165. doi: 10.1158/2159-8290
  30. Neri E., Del Re M., Paiar F., et al. Radiomics and liquid biopsy in oncology: the holons of systems medicine//Insights Imaging. 2018. Vol. 9, N 6. P. 915–924. doi: 10.1007/s13244-018-0657-7
  31. Rizzo S., Botta F., Raimondi S., et al. Radiomics: the facts and the challenges of image analysis//Eur Radiol Exp. 2018. Vol. 2, N 1. P. 36. doi: 10.1186/s41747-018-0068-z
  32. Kumar V., Gu Y., Basu S., et al. Radiomics: The process and the challenges//Magn Reson Imaging. 2012. Vol. 30, N 9. P. 1234–1248. doi: 10.1016/j.mri.2012.06.010
  33. Sala E., Mema E., Himoto Y., et al. Unravelling tumour heterogeneity using next-generation imaging: radiomics, radiogenomics, and habitat imaging//Clinical Radiology. 2017. Vol. 72, N 1. P. 3–10. doi: 10.1016/j.crad.2016.09.013
  34. Lee S.H., Park H., Ko E.S. Radiomics in breast imaging from techniques to clinical applications: A review//Korean J Radiol. 2020. Vol. 21, N 7. P. 779–792. doi: 10.3348/kjr.2019.0855
  35. Tagliafico A.S., Piana M., Schenone D., et al. Overview of radiomics in breast cancer diagnosis and prognostication//Breast. 2020. Vol. 49. P. 74–80. doi: 10.1016/j.breast.2019.10.018
  36. Li H., Giger M.L., Huo Z., et al. Computerized analysis of mammographic parenchymal patterns for assessing breast cancer risk: effect of ROI size and location//Med Phys. 2004. Vol. 31, N 3. P. 549–555. doi: 10.1118/1.1644514
  37. Holbrook M.D., Blocker S.J., Mowery Y.M., et al. Mri-based deep learning segmentation and radiomics of sarcoma in mice//Tomography. 2020. Vol. 6, N 1. P. 23–33. doi: 10.18383/j.tom.2019.00021
  38. Прэтт У. Цифровая обработка изображений. Москва : Мир, 1982. 480 с.
  39. Santos J.M., Oliveira B.C., de Araujo-Filho J., et al. State-of-the-art in radiomics of hepatocellular carcinoma: a review of basic principles, applications, and limitations//Abdom Radiol. 2020. Vol. 45, N 2. P. 342–353. doi: 10.1007/s00261-019-02299-3
  40. Avanzo M., Stancanello J., El Naqa I. Beyond imaging: the promise of radiomics//Phys Medica. 2017. Vol. 38. P. 122–139. doi: 10.1016/j.ejmp.2017.05.071
  41. Verma M., Raman B., Murala S. Local extrema co-occurrence pattern for color and texture image retrieval//Neurocomputing. 2015. Vol. 165. P. 255–269. doi: 10.1016/j.neucom.2015.03.015
  42. Tunali I., Hall L.O., Napel S., et al. Stability and reproducibility of computed tomography radiomic features extracted from peritumoral regions of lung cancer lesions//Med Phys. 2019. Vol. 46, N 11. P. 5075–5085. doi: 10.1002/mp.13808
  43. Nasief H., Zheng C., Schott D., et al. A machine learning based delta-radiomics process for early prediction of treatment response of pancreatic cancer//NPJ Precis Oncol. 2019. Vol. 3, N 1. P. 25. doi: 10.1038/s41698-019-0096-z
  44. Cui Y., Li Y., Xing D., et al. Improving the prediction of benign or malignant breast masses using a combination of image biomarkers and clinical parameters//Front Oncol. 2021. Vol. 11. Р. 629321. doi: 10.3389/fonc.2021.629321
  45. Mao N., Yin P., Wang Q., et al. Added value of radiomics on mammography for breast cancer diagnosis: a feasibility study//J Am Coll Radiol. 2019. Vol. 16, N 4, Pt A. P. 485–491. doi: 10.1016/j.jacr.2018.09.041
  46. Fanizzi A., Basile T.M., Losurdo L., et al. A machine learning approach on multiscale texture analysis for breast microcalcification diagnosis//BMC Bioinformatics. 2020. Vol. 21, Suppl 2. P. 91. doi: 10.1186/s12859-020-3358-4
  47. Stelzer P.D., Steding O., Raudner M.W., et al. Combined texture analysis and machine learning in suspicious calcifications detected by mammography: Potential to avoid unnecessary stereotactical biopsies//Eur J Radiol. 2020. Vol. 132. P. 109309. doi: 10.1016/j.ejrad.2020.109309
  48. Karahaliou A., Skiadopoulos S., Boniatis I., et al. Texture analysis of tissue surrounding microcalcifications on mammograms for breast cancer diagnosis//Br J Radiol. 2007. Vol. 80, N 956. P. 648–656. doi: 10.1259/bjr/30415751
  49. Li H., Mendel K.R., Lan L., et al. Digital mammography in breast cancer: Additive value of radiomics of breast parenchyma//Radiology. 2019. Vol. 291, N 1. P. 15–20. doi: 10.1148/radiol.2019181113
  50. Parekh V.S., Jacobs M.A. MPRAD: A multiparametric radiomics framework//arXiv. 2018.
  51. Rozhkova N.I., Bozhenko V.K., Burdina I.I., et al. Radiogenomics of breast cancer as new vector of interdisciplinary integration of radiation and molecular biological technologies (literature review)//Med Alph. 2020. N 20. P. 21–29. doi: 10.33667/2078-5631-2020-20-21-29
  52. Wang Z., Lin F., Ma H., et al. Contrast-Enhanced spectral mammography-based radiomics nomogram for the prediction of neoadjuvant chemotherapy-insensitive breast cancers//Front Oncol. 2021. Vol. 11. P. 605230. doi: 10.3389/fonc.2021.605230
  53. Zhang H.X., Sun Z.Q., Cheng Y.G., et al. A pilot study of radiomics technology based on X-ray mammography in patients with triple-negative breast cancer//J Xray Sci Technol. 2019. Vol. 27, N 3. P. 485–492. doi: 10.3233/XST-180488
  54. Morozov S.P., Vladzimirsky A.V., Klyashtornyy V.G., et al. Clinical acceptance of software based on artificial intelligence technologies (Radiology). Moscow: Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies; 2019. 45 р.
  55. Mandrekar J.N. Receiver operating characteristic curve in diagnostic test assessment//J Thorac Oncol. 2010. Vol. 5, N 9. Р. 1315–1316. doi: 10.1097/JTO.0b013e3181ec173d
  56. Rahbar H., McDonald E.S., Lee J.M., et al. How can advanced imaging be used to mitigate potential breast cancer overdiagnosis?//Academic Radiology. 2016. Vol. 23, N 6. Р. 768–773. doi: 10.1016/j.acra.2016.02.008
  57. Pinker K. Beyond breast density: Radiomic phenotypes enhance assessment of breast cancer risk//Radiology. 2019. Vol. 290, N 1. P. 50–51. doi: 10.1148/radiol.2018182296
  58. Sun W., Tseng T.L., Qian W., et al. Using multiscale texture and density features for near-term breast cancer risk analysis//Med Phys. 2015. Vol. 42, N 6. P. 2853–2862. doi: 10.1118/1.4919772
  59. Kontos D., Winham S.J., Oustimov А., et al. Radiomic phenotypes of mammographic parenchymal complexity: Toward augmenting breast density in breast cancer risk assessment//Radiology. 2019. Vol. 290, N 1. P. 41–49. doi: 10.1148/radiol.2018180179
  60. Yang J., Wang T., Yang L., et al. Preoperative prediction of axillary lymph node metastasis in breast cancer using mammography-based radiomics method//Sci Rep. 2019. Vol. 9, N 1. P. 4429. doi: 10.1038/s41598-019-40831-z
  61. Zhao B., Tan Y., Tsai W.Y., et al. Reproducibility of radiomics for deciphering tumor phenotype with imaging//Sci Rep. 2016. Vol. 6. P. 23428. doi: 10.1038/srep23428
  62. Lu L., Ehmke R.C., Schwartz L.H., Zhao B. Assessing agreement between radiomic features computed for multiple CT imaging settings//PLoS One. 2016. Vol. 11, N 12. P. e0166550. doi: 10.1371/journal.pone.0166550
  63. Velazquez E.R., Parmar C., Jermoumi M., et al. Volumetric CT-based segmentation of NSCLC using 3D-Slicer//Sci Rep. 2013. Vol. 3. P. 3529. doi: 10.1038/srep03529
  64. Qiu Q., Duan J., Gong G., et al. Reproducibility of radiomic features with GrowCut and GraphCut semiautomatic tumor segmentation in hepatocellular carcinoma//Transl Cancer Res. 2017. Vol. 6, N 5. doi: 10.21037/tcr.2017.09.47
  65. Qiu Q., Duan J., Duan Z., et al. Reproducibility and non-redundancy of radiomic features extracted from arterial phase CT scans in hepatocellular carcinoma patients: Impact of tumor segmentation variability//Quant Imaging Med Surg. 2019. Vol. 9, N 3. P. 453–464. doi: 10.21037/qims.2019.03.02
  66. Hunter L.A., Krafft S., Stingo F., et al. High quality machine-robust image features: Identification in nonsmall cell lung cancer computed tomography images//Med Phys. 2013. Vol. 40, N 12. P. 121916. doi: 10.1118/1.4829514
  67. O’Connor J.P., Aboagye E.O., Adams J.E., et al. Imaging biomarker roadmap for cancer studies//Nat Rev Clin Oncol. 2017. Vol. 14, N 3. P. 169–186. doi: 10.1038/nrclinonc.2016.162
  68. Chalkidou A., O’Doherty M.J., Marsden P.K. False discovery rates in PET and CT studies with texture features: A systematic review//PLoS One. 2015. Vol. 10, N 5. P. e0124165. doi: 10.1371/journal.pone.0124165
  69. Mann R.M., Kuhl C.K., Moy L. Contrast-enhanced MRI for breast cancer screening//J Magn Reson Imaging. 2019. Vol. 50, N 2. P. 377–390. doi: 10.1002/jmri.26654
  70. Parekh V.S., Jacobs M.A. Integrated radiomic framework for breast cancer and tumor biology using advanced machine learning and multiparametric MRI//NPJ Breast Cancer. 2017. Vol. 3. P. 43. doi: 10.1038/s41523-017-0045-3
  71. Whitney H.M., Taylor N.S., Drukker K., et al. Additive benefit of radiomics over size alone in the distinction between benign lesions and luminal a cancers on a large clinical breast MRI dataset//Acad Radiol. 2019. Vol. 26, N 2. P. 202–209. doi: 10.1016/j.acra.2018.04.019
  72. Crivelli P., Ledda R.E., Parascandolo N., et al. A new challenge for radiologists: radiomics in breast cancer//BioMed Research International. 2018. Vol. 2018. P. 6120703. doi: 10.1155/2018/6120703
  73. Bickelhaupt S., Paech D., Kickingereder P., et al. Prediction of malignancy by a radiomic signature from contrast agent-free diffusion MRI in suspicious breast lesions found on screening mammography//J Magn Reson Imaging. 2017. Vol. 46, N 2. P. 604–616. doi: 10.1002/jmri.25606
  74. Han L., Zhu Y., Liu Z., et al. Radiomic nomogram for prediction of axillary lymph node metastasis in breast cancer//Eur Radiol. 2019. Vol. 29, N 7. P. 3820–3829. doi: 10.1007/s00330-018-5981-2
  75. Dong Y., Feng Q., Yang W., et al. Preoperative prediction of sentinel lymph node metastasis in breast cancer based on radiomics of T2-weighted fat-suppression and diffusion-weighted MRI//Eur Radiol. 2018. Vol. 28, N 2. P. 582–591. doi: 10.1007/s00330-017-5005-7
  76. Ma W., Ji Y., Qi L., et al. Breast cancer Ki67 expression prediction by DCE-MRI radiomics features//Clin Radiol. 2018. Vol. 73, N 10. P. 909.e1–909.e5. doi: 10.1016/j.crad.2018.05.027
  77. Jagadish K., Sheela G.M., Naidu B.P., et al. Big data analytics and radiomics to discover diagnostics and therapeutics for gastric cancer//Recent Advancements in Biomarkers and Early Detection of Gastrointestinal Cancers. 2020. P. 213–219. doi: 10.1007/978-981-15-4431-6_12
  78. Scheckenbach K. Radiomics: Big data instead of biopsies in the future?//Laryngorhinootologie. 2018. Vol. 97, S 01. P. S114–S141. doi: 10.1055/s-0043-121964
  79. European Society of Radiology (ESR). Medical imaging in personalised medicine: a white paper of the research committee of the European Society of Radiology (ESR)//Insights Imaging. 2015. Vol. 6, N 2. P. 141–155. doi: 10.1007/s13244-015-0394-0.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. На схеме продемонстрированы типичные этапы радиомики. После получения медицинских изображений (1) вручную или автоматическим путём проводится их сегментация (2). Радиомические признаки первого и более высоких порядков из- влекаются из сегментированных областей интереса с использованием специального программного обеспечения или модулей языков программирования (3). Далее выполняются анализ и отбор наиболее значимых из полученных текстурных признаков. На последнем этапе на основе проанализированных радиомических данных проводится построение различных клинико-диагностических моделей классификации или прогнозирования (4).

Скачать (176KB)
Метаданные
3. Рис. 2. Сравнение гистограммных признаков первого и второго порядков. Две различные исходные области интереса сег- ментированного изображения (а) содержат одинаковое количество пикселей светло-серого, тёмно-серого и чёрного оттенков. Гистограммы яркости на основе количества пикселей определённых оттенков (гистограммные признаки первого порядка) одинаковы (b). Эти признаки не отражают взаиморасположения пикселей. Матрицы смежности (гистограммные признаки второго порядка) отражают гетерогенность изображений (с). В дальнейшем математическими алгоритмами из получен- ных гистограмм интенсивностей и матриц смежностей уровня серого рассчитывается множество радиомических признаков для анализа и моделирования.

Скачать (243KB)
Метаданные

© Говорухина В.Г., Семенов С.С., Гележе П.Б., Диденко В.В., Морозов С.П., Андрейченко А.Е., 2021

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах