Разработка алгоритмов семантической сегментации и классификации биомедицинских сигналов низкой размерности на основе машинного обучения

Разработка алгоритмов семантической сегментации и классификации биомедицинских сигналов низкой размерности на основе машинного обучения

Автор: Сенюкова, Ольга Викторовна

Шифр специальности: 05.13.11

Научная степень: Кандидатская

Год защиты: 2012

Место защиты: Москва

Количество страниц: 134 с. ил.

Артикул: 5530223

Автор: Сенюкова, Ольга Викторовна

Стоимость: 250 руб.

Разработка алгоритмов семантической сегментации и классификации биомедицинских сигналов низкой размерности на основе машинного обучения  Разработка алгоритмов семантической сегментации и классификации биомедицинских сигналов низкой размерности на основе машинного обучения 

Содержание
Введение
Глава 1. Задачи анализа биомедицинских сигналов низкой размерности .
1.1. Биомедицинские изображения и их особенности
1.2. Задачи анализа биомедицинских изображений
1.3. Обзор существующих алгоритмов сегментации биомедицинских изображений.
1.3.1. Низкоуровневые алгоритмы.
1.3.2. Алгоритмы на остове методов оптимизации и вероятностных моделей.
1.3.3. Алгоритмы на основе априорной информации
1.4. Недостатки существующих алгоритмов сегментации биомедицинских изображений .
1.5. Медицинские сигналы и их особенности
1.6. Задачи анализа медицинских сигналов
1.7. Обзор существующих алгоритмов классификации одномерных медицинских сигналов.
1.7.1. Линейные индикаторы
1.7.2. Нелинейные индикаторы
1.7.3. Алгоритмы на основе машинного обучения.
1.8. Недостатки существующих алгоритмов классификации одномерных медицинских сигналов .
1.9. Выводы.
Глава 2. Разработанные алгоритмы семантической сегмента
ции и классификации биомедицинских сигналов низкой размерности
2.1. Алгоритм выделения на изображениях однородных объектов с нечеткими границами и похожими характеристиками
2.1.1. Построение изолиний с помощью контурного алгоритма
2.1.2. Расчет признаков для классификатора.
2.1.3. Классификация изолиний методом опорных векторов
2.1.4. Автоматическое выделение искомых областей внутри указанного региона.
2.2. Алгоритм разбиения изображений на заданный набор обла
стей, неоднородных по интенсивности, при наличии единственного обучающего размеченного изображения.
2.2.1. Предварительная обработка тестового изображения
2.2.2. Разбиение изображений на суперпиксели с помощью
алгоритма сдвига среднего.
2.2.3. Априорная пространственная информация
2.2.4. Классификация пикселей с помощью рандомизированного решающего леса
2.2.5. Уточнение результата классификации с помощью Марковского случайного ноля
2.3. Алгоритм классификации с обучением по одному прецеденту
2.3.1. Задача классификации с обучением по одному прецеденту
2.3.2. Применение алгоритма АбаВооэ к индикаторам из
нелинейной динамики
2.3.3. Метод декомпозиции ансамблей классификаторов5
2.4. Выводы.
Глава 3. Экспериментальная оценка разработанных алгоритмов
3.1. Тестирование алгоритма выделения на изображениях однородных объектов с нечеткими границами и похожими характеристиками
3.1.1. Параметры контурного алгоритма
3.1.2. Сравнение разработанного алгоритма с алгоритмом
ВООАТА .
3.1.3. Сравнение разработанного алгоритма с базовыми алгоритмами сегментации .
3.1.4. Дальнейшие пути развития алгоритма
3.2. Тестирование алгоритма разбиения изображений на заданный набор областей, неоднородных по интенсивности, при наличии единственного обучающего размеченного изображения
3.2.1. Параметры алгоритма.
3.2.2. Тестирование алгоритма на изображениях из Алле
новского атласа.
3.2.3. Тестирование алгоритма на изображениях экспериментальных срезов
3.2.4. Дальнейшие пути развития алгоритма
3.3. Тестирование алгоритма классификации с обучением по одному прецеденту.
3.3.1. Тестирование обобщенного классификатора
больнойздоровый
3.3.2. Тестирование классификаторов на основе метода декомпозиции ансамблей классификаторов.
3.3.3. Дальнейшие пути развития алгоритма
3.4. Выводы.
Глава 4. Программная реализация разработанных алгоритмов
4.1. Программная реализация алгоритма выделения на изображениях однородных объектов .
4.2. Программная реализация алгоритма разбиения изображений
на заданных набор областей.
4.3. Программная реализация алгоритма классификации с обучением по одному прецеденту
4.4. Выводы.
Заключение.
Благодарности
Литература


В диссертационной работе предложены новые алгоритмы семантической сегментации и классификации, основанные на машинном обучении, которые упрощают обучение классификатора либо за счет введения новой эффективной процедуры разметки обучающей базы, либо за счет возможности обучения но одному прецеденту. Разработанные алгоритмы были применены к конкретным биомедицинским задачам и продемонстрировали точность либо выше аналогов, либо сравнимую с ашиюгами. Целью диссертационной работы является разработка и программная реализация алгоритмов семантической сегментации и классификации биомедицинских сигналов низкой размерности. Разработанный в рамках диссертации алгоритм выделения на изображениях однородных объектов с нечеткими границами и похожими характеристиками, основанный на классификации изолиний функции интенсивности, является новым. В частности, значительно упрощается процедура разметки обучающей базы для классификатора. Предложенный алгоритм был протестирован на реальных данных в задаче выделения очагов поражения на изображениях магнитнорезонансной томографии МРТ мозга и продемонстрировал болсс высокую точность, чем существующие аналоги. Алгоритм разбиения изображений па заданный набор областей, неоднородных по интенсивности, является новым. Алгоритм был протестирован на реальных данных в задаче сегментации гистологических срезов мозга мыши на анатомические структуры и продемонстрировал точность, сравнимую с аналогами для похожих задач. Но. Алгоритм классификации с обучением по одному прецеденту основан на новом методе декомпозиции ансамблей классификаторов. В отличие от существующих алгоритмов классификации с обучением по одному прецеденту, алгоритм не требует наличия классификаторов для других классов, построенных по полноценным обучающим базам, а требует лишь наличие обобщенного двухклассового классификатора. Предложенный алгоритм выделения па изображениях однородных объектов с нечеткими границами и похожими характеристиками позволяет выделять широкий класс патологических образований на медицинских изображениях с точностью, превосходящей аналоги. Кроме того, процедура обучения классификатора является более быстрой и удобной, чем у аналогов вместо нопиксельной ручной разметки необходимо среди автоматически построенных изолиний функции интенсивности указать тс из них, которые являются границами искомых объектов. Для большей надежности алгоритма имеется возможность выделения на изображениях прямоугольных регионов интереса, содержащих эти объекты. Программная система, разработанная на основе построенного алгоритма, используется в НИИ Неотложной Детской Хирургии и Травматологии. Разработанный алгоритм разбиения изображений на заданный набор областей, неоднородных по интенсивности, может применяться для сегментации изображений гистологических срезов на анатомические структуры, так как он устойчив к перепадам интенсивности между соседними пикселями внутри областей. Алгоритм может работать при наличии единственного обучающего размеченного изображения. Это чрезвычайно важно для экспериментов, где процесс получения и обработки данных представляется особенно трудоемким, например, получение изображений гистологических срезов мозга мыши. Разработка алгоритма проводилась совместно с НР1И Нормальной Физиологии имени П. К. Анохина. Например, если имеется классификатор больнойздоровый, построенный но кардиоинтервалограммам, то на базе него можно построит классификатор для конкретных заболеваний или физиологических состояний по одному обучающему примеру. Это особенно актуально для задач определения редких заболеваний и конкретных физиологических состояний, для которых трудно или невозможно подготовить большую обучающую базу. Разработанный алгоритм планируется для использования прежде всего в профессиональном спорте, в частности, для определения состояний перетренировки и оптимального функционирования спортсмена. Компьютерной Графики и Мультимедиа факультета ВМиК МГУ под руководством доц. К.М. Автоматизации Систем Вычислительных Комплексов под руководством чл. Нейроимиджинг и магнитоэнцефалография фундаментальные исследования и клиническая практика, Россия. Москва, . Диссертация состоит из введения, 4 глав, заключения и библиографии. Общий объем диссертации составляет 3 страницы, включая рисунка. Библиография включает 5 наименований.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.372, запросов: 244