Методология разработки биомедицинских интегрированных учебно-исследовательских систем на основе компьютеризации обучения и семантического моделирования

• Автор: Федянин, Виталий Иванович
• Шифр специальности: 05.13.09
• Научная степень: Докторская
• Год защиты: 1999
• Место защиты: Воронеж
• Количество страниц: 265 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1. ОСНОВНЫЕ НАПРАВЛЕНИЯ В РАЗВИТИИ СИСТЕМ БИОМЕДИЦИНСКИХ ИССЛЕДОВАНИЙ И РАЦИОНАЛЬНОГО УПРАВЛЕНИЯ ПРОЦЕССАМИ ОБУЧЕНИЯ И ЛЕЧЕНИЯ
1Л. Современные высокие медицинские технологии, методы построения и функционирования систем медикобиологических исследований
1.2. Пути развития инструментального обеспечения диагностического процесса и повышения эффективности применения высоких технологий в обучении и научных исследованиях
1.3. Цель и задачи исследования
2. ТЕОРЕТИЧЕСКИЕ И МЕТОДИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ БИОМЕДИЦИНСКОЙ ИНТЕГРИРОВАННОЙ УЧЕБНО-ИССЛЕДОВАТЕЛЬСКОЙ СИСТЕМЫ
2.1. Теоретические основы построения биомедицинских интегрированных учебно-исследовательских систем
2.2. Основные принципы интеграции систем медицинской диагностики и автоматизированного обучения, методология построения биомедицинских интегрированных учебно-исследовательских систем
2.3. Методика проведения компьютерного совещания по оцениванию эффективности биомедицинской интегрированной учебноисследовательской системы
Выводы второй главы
3. МЕТОДЫ И АЛГОРИТМЫ МОДЕЛИРОВАНИЯ И ПРИНЯТИЯ РЕШЕНИЙ В БИОМЕДИЦИНСКИХ ИССЛЕДОВАНИЯХ
3.1. Методы интеллектуальной поддержки принятия решений при выборе тактики лечения
3.2. Имитационное моделирование процессов принятия решений при выборе тактики лечения
3.3. Логическое моделирование процедур диагностики и выбора лечения
Выводы третьей главы
4. АЛГОРИТМИЗАЦИЯ ПРОЦЕСОВ АВТОМАТИЗИРОВАННОГО МОДЕЛИРОВАНИЯ И ОПТИМИЗАЦИЯ ОБУЧАЮЩИХ ПРОЦЕДУР В РАМКАХ ПОДСИСТЕМЫ АВТОМАТИЗИРОВАННОГО МОДЕЛИРОВАНИЯ
4.1. Алгоритмическое обеспечение процессов моделирования физиологических показателей
4.2. Алгоритмическое обеспечение и оптимизация процедур обучения работе с подсистемой автоматизированного моделирования
4.3. Организация имитационного эксперимента на основе оптимизационной модели обучающей подсистемы Выводы четвертой главы
5. СТРУКТУРА ЭКСПЕРТНО- ОБУЧАЮЩЕЙ СИСТЕМЫ И МЕТОДЫ ФОРМАЛЬНОГО ОПИСАНИЯ ПРЕДМЕТНОЙ ОБЛАСТИ ОБУЧЕНИЯ
5.1. Структура экспертно-обучающей системы
5.2. Формирование системы базовых и производственных понятий предметной области
5.3. Методы формирования семантического пространства знаний и их формализация
5.4. Методы автоматизированного формирования семантического графа, семантических и дидактических параметров фрагментов предметной области
Выводы пятой главы
6. ОПТИМИЗАЦИЯ УПРАВЛЕНИЯ ПРОЦЕССОМ АВТОМАТИЗИРОВАННОГО ОБУЧЕНИЯ ЗНАНИЯМ ПРЕДМЕТНОЙ ОБЛАСТИ НА ОСНОВЕ СЕМАНТИЧЕСКОЙ ИНФОРМАЦИИ
6.1. Формирование иерархической модели обучаемого
для целей управления процессом автоматизированного обучения
6.2. Модели оптимального принятия решений при управлении процессом автоматизированного обучения
6.3. Построение функциональной семантической сети усвоения понятий предметной области
6.4. Оптимальная организация информационных потоков при проведении видеокомпьютерной лекции
Выводы шестой главы
7. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ И ПРИМЕНЕНИЕ БИОМЕДИЦИНСКОЙ ИНТЕГРИРОВАННОЙ ЭКСПЕРТНООБУЧАЮЩЕЙ СИСТЕМЫ
7.1. Биомедицинская интегрированная учебно-исследовательская система в рамках микродиагностического центра дифференциального обучения
7.2. Технология формирования автоматизированных учебных курсов для биомедицинской учебно-исследовательской системы
7.3. Оценка эффективности и результаты апробации и внедрения интегрированной биомедицинской учебно-исследовательской системы в учебный процесс и клиническую практику
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА
ПРИЛОЖЕНИЯ

может быть решена с погрешностью менее 7% для любой конфигурации органа и глубины его расположения при введении поправок на ослабление и рассеяние излучения;
- цифровая фильтрация, в том числе пре- и постреконструкционная. Предложено достаточно много процедур фильтрации, в которых используются фильтры с разными частотными характеристиками, оптимальными по различным критериям. Однако они мало используются в рутинной клинической практике из-за неизбежного возникновения артефактов, надежное устранение которых возможно только при наличии априорной информации о характере пространственного распределения, но в клинических условиях такая информация обычно недоступна;
- параметрическая визуализация. Исходное изображение, сформированное обычно в терминах плотности счета импульсов, перекодируется в терминах какого-либо физиологического параметра (например, "среднее время транзита"). Используется Фурье-параметризация, факторный анализ последовательной серии изображений;
- автоматическая классификация изображений на основе различных методов теории распознавания образов, в том числе без и с предварительным обучением классификатора по верифицированной выборке изображений. К таким методам относятся структурно-синтетический подход, микроструктур-ный анализ, оценка степени гладкости и связности контуров визуализируемых органов и анатомических структур, определение параметров фрактальной геометрии и т.д. В последнее время классификаторы разрабатывают в виде искусственных нейронных сетей, на основе математического аппарата теории искусственного интеллекта; такие классификаторы используются не только для диагностики норма-патология, но и для автоматической коррекции влияния ослабления и рассеяния излучения, геометрии коллимации и т.д.;