Методы, алгоритмы и системы классификации и опознавания полисегментарных биомедицинских изображений на базе нейросетевого классификатора

• Автор: Касумова, Марина Константиновна
• Шифр специальности: 05.11.17
• Научная степень: Кандидатская
• Год защиты: 2000
• Место защиты: Санкт-Петербург
• Количество страниц: 191 с.

ВВЕДЕНИЕ
1. АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ И АЛГОРИТМОВ ОБРАБОТКИ ПОЛИСЕГМЕНТАРНЫХ ИЗОБРАЖЕНИЙ В АВТОМАТИЗИРОВАННЫХ АППАРАТНО-ПРОГРАММНЫХ КОМПЛЕКСАХ
1.1. АНАЛИЗ ОСНОВНЫХ ОСОБЕННОСТЕЙ ОБРАБОТКИ ПОЛИСЕГМЕНТАРНЫХ ИЗОБРАЖЕНИЙ
1.2. КЛАССИФИКАЦИЯ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ОБРАБОТКИ ИЗОБРАЖЕНИЙ
1.3. ОСОБЕННОСТИ ОПИСАНИЯ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ И АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ СЕГМЕНТАЦИИ ПОЛИСЕГМЕНТАРНЫХ ИЗОБРАЖЕНИЙ
1.4. ОСНОВНЫЕ НАПРАВЛЕНИЯ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ СЕТЕЙ ПРИ АНАЛИЗЕ И ИНТЕРПРЕТАЦИИ ИЗОБРАЖЕНИЙ
1.5. ОСОБЕННОСТИ НЕЙРОСЕТЕВОГО ПОДХОДА К ПРОБЛЕМЕ АНАЛИЗА ПОЛИСЕГМЕНТАРНЫХ
МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ
1.6. АНАЛИЗ НЕДОСТАТКОВ ИЗВЕСТНЫХ МЕТОДОВ И АЛГОРИТМОВ И ПЕРСПЕКТИВЫ ИХ
ПРЕОДОЛЕНИЯ
1.7. ОБОСНОВАНИЕ ЦЕЛИ ИССЛЕДОВАНИЯ И ОСНОВНЫЕ ЗАДАЧИ ИССЛЕДОВАНИЯ
2. ПРЕДВАРИТЕЛЬНОЕ ПРЕОБРАЗОВАНИЕ, ОБРАБОТКА И ОПРЕДЕЛЕНИЕ ПРИЗНАКОВ БИОМЕДИЦИНСКИХ
ИЗОБРАЖЕНИЙ
2.1 СПОСОБЫ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИИ
2.2. МЕТОД ЛОКАЛИЗАЦИИ СЕГМЕНТОВ НА ОСНОВЕ

НЕЙРОННЫХ СЕТЕЙ
2.3. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ИНФОРМАЦИИ ПРИ РАДИАЛЬНО-КРУГОВОМ СЧИТЫВАНИИ
2.4. ФОРМИРОВАНИЕ ПРИЗНАКОВОГО ПРОСТРАНСТВА ПОЛИСЕГМЕНТАРНЫХ БИОМЕДИЦИНСКИХ
ИЗОБРАЖЕНИЙ
2.5. ОСОБЕННОСТИ ПРИМЕНЕНИЯ НЕЙРОСЕТЕВОГО КЛАССИФИКАТОРА СЕГМЕНТОВ ПОЛИСЕГМЕНТАРНЫХ
ИЗОБРАЖЕНИЙ
ВЫВОДЫ
3. МЕТОДЫ ОБРАБОТКИ. СРАВНИТЕЛЬНОЫЙ АНАЛИЗ И ОЦЕНКА ЭФФЕКТИВНОСТИ ПОЛИСЕГМЕНТАРНЫХ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ НА БАЗЕ
НЕЙРОСЕТЕВОГО КЛАССИФИКАТОРА
3.1 МЕТОДЫ ОБРАБОТКИ ПОЛИСЕГМЕНТАРНЫХ
ИЗОБРАЖЕНИЙ
3.2. КРИТЕРИИ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВОГО АНАЛИЗА БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ
НА ТЕСТОВЫХ ИЗОБРАЖЕНИЯХ
3.3 СЕГМЕНТАЦИЯ ТЕСТОВЫХ ИЗОБРАЖЕНИЙ С РАЗЛИЧНЫМИ ЗНАЧЕНИЯМИ КОНТРАСТА И ОТНОШЕНИЯ СИГНАЛ-ШУМ МЕТОДАМИ ПОРОГОВОЙ ДИСКРИ МИНАЦИИ, ДИНАМИЧЕСКОЙ ДИСКРИМИНАЦИИ И
ПРИ ПОМОЩИ НЕЙРОННОЙ СЕТИ
ВЫВОДЫ
4. ИССЛЕДОВАНИЕ СТРУКТУРЫ АВТОМАТИЗИРОВАННОЙ
СИСТЕМЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ "НЕЙРОННОЕ ЗРЕНИЕ"

4.1. ВОЗМОЖНОСТИ ОБРАБОТКИ И АНАЛИЗА БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ ПРИ ПОМОЩИ НЕЙРО-СЕТЕВОГО АНАЛИЗАТОРА ИЗОБРАЖЕНИЙ
"НЕЙРОННОЕ ЗРЕНИЕ"
4.2. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ
4.3. СЕГМЕНТАЦИЯ И МАТЕМАТИЧЕСКАЯ МОРФОЛОГИЯ
4.4. ЛОГИЧЕСКИЕ ОПЕРАЦИИ НАД БИНАРНЫМИ
ИЗОБРАЖЕНИЯМИ
4.5. ОБРАБОТКА ИЗОБРАЖЕНИЙ МЕТОДАМИ
НЕЙРОННЫХСЕТЕЙ
4.6. СТРУКТУРА ПОЛЬЗОВАТЕЛЬСКОГО МЕНЮ АСОИЗ
"НЕЙРОННОЕ ЗРЕНИЕ"
ВЫВОДЫ
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ
работы с бинарными образами. Известно, что аналогичными инвариантными свойствами относительно некоторых геометрических преобразований обладают алгоритмы преобразования Фурье, которые реализуются на быстрых электронных и оптических Фурье-процессорах [27]. С помощью этого класса преобразований можно получить пространство признаков, инвариантных к различным подгруппам группы подобия [28], поэтому такие Фурье- преобразователи широко используются в совокупности с нейронными классификаторами. Подробнее рассматриваемый подход рассматривается в следующем разделе.
1.4.3 НС типа feedforward.
Наиболее часто и успешно в настоящее время НС используются в качестве классификаторов, выполняющих распознавание образов в пространстве признаков [29,30,31]. Распознавание объектов в соответствии с данным подходом является одним из частных приложений подобных классификаторов. Как и для любого другого классификатора, работающего в пространстве признаков, для успешной работы нейронного классификатора в данной ситуации требуется разделимость распознаваемых образов в выбранном признаковом пространстве. Построение пространства признаков является отдельной, достаточно сложной проблемой, над которой исследователи работают не одно десятилетие. В предыдущем разделе были упомянуты два наиболее распространенных при распознавании изображений метода построения таких пространств: преобразование Хо и преобразование Фурье. Результатом этих преобразований, по сути, является получение некоторых признаков, инвариантных к определенным геометрическим преобразованиям, и полученное признаковое пространство в дальнейшем используется для классификации.
Еще одним распространенным способом построения инвариантного признакового пространства является способ, в основе которого используется