Методы согласованного отбора признаков для классификации полутоновых диагностических изображений

• Автор: Гайдель, Андрей Викторович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2015
• Место защиты: Самара
• Количество страниц: 156 с. : ил.

Оглавление
ВВЕДЕНИЕ

ГЛЛВЛ 1. Задача автоматического формирования признаков

1.1. Постановка задачи распознавания образов

1.2. Критерии качества системы распознавания

1.3. Постановка и подходы к решению задачи построения признаков

1.4. Задачи анализа биомедицинских изображений

1.5. Текстурные признаки на изображениях

1.6. Оптимизация направления для текстурных признаков

1.7. Экспериментальное исследование оптимизации направления для текстурных признаков
1.8. Выводы
ГЛАВА 2. Разработка методов построения полиномиальных признаков
2.1. Полиномиальные признаки
2.2. Ограничения на полиномиальные признаки
2.3. Критерии качества полиномиальных признаков
2.4. Экспериментальное исследование качества квадратичных признаков .
2.5. Устойчивость алгоритмов распознавания при автоматическом построении признаков
2.6. Выводы
ГЛАВА 3. Модификации и приложения методов построения признаков
3.1. Эффективный алгоритм вычисления признаков, основанных на длинах серий

3.2. Метод случайного поиска для глобальной оптимизации сложных
функций одной переменной
3.3. Гибридный метод глобальной оптимизации сложных функций
3.4. Выделение области интереса на биомедицинских изображениях.
3.5. Программное средство для обработки и анализа биомедицинских изображений
3.6. Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
СПИСОК ЛИТЕРАТУРЫ
Приложение А. Акт о внедрении результатов диссертации
Приложение Б. Свидетельства о регистрации программы для ЭВМ

ВВЕДЕНИЕ
Работа посвящена созданию новых методов автоматического формирования информационных признаков, предназначенных для анализа и распознавания диагностических биомедицинских изображений.
Актуальность темы. В настоящее время в отечественной медицинской практике для радиологической диагностики системных заболеваний затруднено распространение дорогостоящего оборудования, а для анализа распространённых радиологических изображений привлекаются высококвалифицированные медицинские работники. Это приводит к запоздалой постановке диагноза некоторых заболеваний, что осложняет дальнейшее лечение, в то время как существуют методы предупреждения развития этих заболеваний в случае постановки диагноза на ранних стадиях. Например, такие диагнозы, как остеопороз и остеопения, зачастую ставятся уже после переломов костей.
Идея данной работы заключается в установлении зависимости между заболеваниями человека и диагностическими изображениями тканей его органов. Понимание такой зависимости позволит разработать соответствующие методы автоматизированной обработки, распознавания и анализа изображений, ориентированных на диагностические медицинские исследования.
Для описания изображений традиционно используются информационные признаки, представляющие собой численные значения, измеряемые по цифровым изображениям и существенно различающиеся для изображений нормальных тканей и тканей с патологией. Очевидно, что для разных заболеваний эти признаки и способы их вычисления могут различаться, в зависимости от особенностей диагностируемой патологии. При этом какие-либо общие подходы к автоматическому построению признаков, учитывающие эти особенности, изучены не достаточно полно, так что обычно на практике эвристически выбираются уже известные признаки.

совместно группа из двух признаков отлично подходит для классификации векторов с использованием даже таких простых правил, как правило ближайшего соседа. Ясно, что в этом примере используется мультимодальное распределение, которое само по себе является неприятным примером для многих алгоритмов распознавания образов. Однако на рисунке 1.1(6) векторы признаков в каждом классе имеют обычное гауссовское распределение, но наблюдается такая же проблема: проекции векторов иа оси, соответствующие отдельным признакам не обеспечивают хорошей разделимости классов, хотя для группы из двух признаков классы являются линейно разделимыми.
Конечно, усреднённый по всем признакам критерий качества отдельных признаков можно считать критерием качества всей группы в целом, но, учитывая всю вышесказанную несостоятельность этих критериев, это более чем неразумно.
1.3. Постановка и подходы к решению задачи построения признаков
Пусть, как и раньше, имеется множество объектов распознавания О, разбитое на Ь классов {ПЛ и обучающая выборка [/с!2, для объектов
которой заранее известен их класс. Задача построения признаков заключается в выборе оператора вычисления признаков >Е, который обеспечивает
оптимум одного из описанных в предыдущих разделах критериев качества признакового пространства. Для оценивания критериев можно использовать обучающую выборку и.
Понятно, что в такой общей постановке формально всегда можно выбрать 'Т(йУ) = Ф(<у), а затем С(х) = х и так достичь нулевой ошибки распознавания, хотя на практике, конечно, этого сделать не получится в силу того, что идеальный оператор распознавания Ф(<у) не известен, и выбор оператора
всегда осуществляется из некоторого множества допустимых операторов 'I'.
Также если элементы функционального пространства Ч' разнородны и не удовлетворяют никаким свойствам, то единственный способ осуществить