Синтез нечетких моделей для анализа структуры изображения глазного дна в медицинской системе поддержки принятия решений

• Автор: Пихлап, Сергей Викторович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Курск
• Количество страниц: 134 с. : ил.

ГЛАВА 1. СОВРЕМЕННЫЕ МЕТОДЫ СИНТЕЗА ИНТЕЛЛЕКТУАОЬНЫХ ДИАГНОСТИЧЕСКИХ СИСТЕМ, АНАЛИЗИРУЮЩИХ СТРУКТУРУ ИЗОБРАЖЕНИЙ ГЛАЗНОГО

1.1. особенности изображений глазного дна, получаемых-посредством методики электронного фотографирования глазного дна с помощью ретинофота
1.2. Способы синтеза информативных признаков, предназначенных для анализа структуры изображения глазного дна

1.3. Способы диагностики зрительных патологий

1.4. Программно-аппаратные комплексы, для реализации алгоритмов обработки изображений глазного дна

1.5. Новые информационные технологии для классификации объектов и принятия решений

1.6. Цели и задачи исследования

ГЛАВА 2. РАЗРАБОТКА И ИССЛЕДОВАНИЯ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ВЫДЕЛЕНИЯ ПАТОЛОГИЧЕСКИХ АНОМАЛИЙ ГЛАЗНОГО ДНА
2.1. Нечеткая нейронная сеть для выделения сегментов с патологическими образованиями и морфологическими структурами на изображении глазного дна

2.2. Структура нечеткого решающего модуля нечеткой нейронной сети

2.2.1. Фуззификатор
2.2.2. Агрегатор
2.2.3. Программное обеспечение моделирования нечеткого решающего модуля

2.3. Бинаризатор нечеткой нейронной сети
2.4. Эксперименты по синтезу патологических сегментов посредством нечетких нейросетевых моделей
2.5. Выводы второй главы
ГЛАВА 3. ГИБРИДНЫЕ ТЕХНОЛОГИИ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ ГЛАЗНОГО ДНА, ОСНОВАННЫЕ НА ДВУМЕРНОМ АНАЛИЗЕ ФУРЬЕ И НЕЙРОСЕТЕВОМ МОДЕЛИРОВАНИИ
3.1. Способ для сегментации изображений глазного дна в частотной области с использованием нейросетевых технологий
3.2. Разработка алгоритма обучения гибридной структуры для сегментации изображений глазного дна
3.3. Алгоритмические решения при синтезе пространства информативных признаков для описания патологических аномалий и морфологических структур изображения глазного дна со зрительным нервом
3.4. Выводы третьей главы
ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ ГЛАЗНОГО ДНА
4.1. Структура автоматизированной системы анализа изображений глазного дна и алгоритм ее работы
4.2. Разработка способов оценки эффективности алгоритмов выделения патологических сегментов на изображении глазного дна107
4.3. Экспериментальные исследования качества сегментации изображения глазного дна при различных видах патологий
4.4. Выводы четвертой главы
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Актуальность работы. Заболевания сетчатки в соответствии с современными эпидемиологическими данными занимают одно из первых мест в мире как причина слабовидения и слепоты. Поражения глазного дна часто имеют место при гипертонической болезни, особенно тромбоз вен сетчатки.
Диагностика патологий глазного дна считается сложной задачей (Сойфер В.А., Ильясова Н.Ю.). Во врачебной практике наличие патологических аномалий на изображении глазного дна определяется в основном визуальным способом. Врач-офтальмолог должен обладать обширным опытом, чтобы определить, с какой патологической аномалией имеет дело и следствием какого заболевания она является. Современные компьютерные технологии позволяют автоматизировать процесс обнаружения и построения количественных оценок элементов патоморфологической картины глазного дна, используемых в формировании экспертной оценки патологий сетчатки. Для этого осуществляется объектная сегментация изображения глазного дна, суть которой состоит в оконтуривании границ объектов и разметки образовавшихся сегментов (областей) на основе выбранных признаков объектов.
Цвет (окраска) является одним из наиболее информативных признаков в задаче выделения патологических образований и морфологических структур на изображении глазного дна. В связи с этим решение указанной задачи базируется на построении цветовых гистограмм изображения, нахождении некоторого “среднего” цветового вектора для каждого максимума гистограммы, вычислении евклидовых расстояний между точками цветового пространства и средним значением, отнесении к одному сегменту точек, находящихся от среднего на расстоянии ниже порогового (Gonzalez R., Woods R.). Результаты сегментации при таком

внутренних процессов. Принцип ассоциативного связывания входных (исходных) и выходных (расчетных) параметров моделируемой системы или объекта может облегчить или полностью исключить этапы изучения и формализации задачи.
Исходя из вышеизложенного можно сформулировать основные преимущества использования ИНС в решении задач классификации:
1. Возможность построения моделей сложных процессов, трудно поддающихся или не поддающихся вовсе аналитическому описанию.
2. Возможность получения моделей более простого вида, что позволяет упростить многие процедуры и повысить эффективность алгоритмов принятия решений. Традиционные методы моделирования при решении задач предусматривают вычисление всех переменных, связанных с полученной первичной моделью. В то же время с точки зрения построения вычислительной модели особое значение имеет тот факт, что зачастую требуется только часть полного вектора переменных.
3. Высокая надежность получения результата в силу формирования явной зависимости искомых параметров от заданных. Традиционные модели, представляющие собой в большинстве случаев системы неявных функций, требуют применения итерационных методов, с необходимостью обеспечения гарантированной сходимости в условиях реального времени.
Построение любой нейросетевой модели требует выполнения следующих этапов:
1. Формулировка задачи в нейросетевом базисе.
2. Формирование выборки обучения.
3. Выбор архитектуры ИНС, в том числе параметров элементов нейронной сети (идентификация структуры модели).
4. Обучение ИНС (оценивание параметров модели).
5. Тестирование ИНС с целью установления адекватности полученной модели исследуемому объекту.
Содержание этапов 3-5 раскрыто в многочисленных работах по