WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 ||

Предложенный знание-ориентированный метод основан на использовании тезаурусов и онтологий в качестве инструментов представления знаний, необходимых для принятия интеллектуальных решений по информации, извлекаемой из изображений. В данном случае тезаурусы и онтологии необходимы для решения следующих задач: 1) формирование единообразного способа описания и представления задач анализа изображений и методов их решения; 2) автоматизация комбинирования методов и синтеза алгоритмических схем анализа изображений на основе семантической интеграции; 3) лингвистическая поддержка баз знаний для автоматизации обработки и анализа изображений (формирование, обработка и расширение запросов; навигация; структуризация и оптимизация представления знаний; организация хранения знаний; пополнение знаний).

Для поддержки принятия решений в области анализа и понимания изображений необходимы следующие онтологии: 1) онтология анализа изображений (ОАИ), которая функционально состоит из двух частей: онтологии задач, возникающих при работе с изображениями, и онтологии существующих методов обработки, анализа, распознавания и понимания изображений; 2) онтология или набор онтологий прикладных предметных областей, описывающие область знания, к которой относится решаемая задача.

ОАИ является понятийной основой баз знаний для поддержки автоматизации анализа изображений и в некотором смысле сама по себе может рассматриваться как база знаний. Тезаурусы же обеспечивают терминологическую поддержку и помогают пользователям сформулировать запрос к системе, в том числе, подобрать правильные ключевые слова для описания цели, имеющихся исходных данных, искомого результата и контекстной информации. Тезаурус также необходим для навигации в базе знаний, а также для автоматического уточнения и расширения запроса, введенного пользователем, посредством использования зафиксированных в тезаурусе связей между терминами.

Кроме того, для решения прикладных задач необходимо также включение в систему специализированных тезаурусов и онтологий прикладных предметных областей. Онтологии прикладных предметных областей должны быть объединены с онтологией анализа изображений с тем, чтобы установить связь между понятиями прикладной области знания, к которой относится решаемая задача, и понятиями, связанными с обработкой и анализом изображений, например, важно зафиксировать отношения между объектами на изображениях, описываемыми в терминах прикладной предметной области, и соответствующими признаками изображений, описанными в онтологии анализа изображений. В результате такого объединения будет получена проблемно-ориентированная онтология анализа изображений, описывающая прикладные задачи и методы решения этих задач.

Таким образом, необходимыми условиями для реализации метода использования тезаурусов и онтологий при решении задач анализа изображений являются следующие: 1) постановка задачи в виде, соответствующем определению 1, т.е. задание цели, описание входных данных, требований к результату и контекстной информации; 2) наличие следующего набора алгоритмическо-программных средств, которые, как правило, включаются в некоторую автоматизированную систему анализа изображений: а) база знаний по анализу изображений; б) библиотека алгоритмов обработки, анализа и распознавания изображений; в) специализированный тезаурус по анализу изображений; г) онтология анализа изображений; д) специализированные тезаурусы прикладной предметной области; е) специализированные онтологии прикладной предметной области; ж) проблемно-ориентированная онтология анализа изображений.

Предлагаемый метод использования тезаурусов и онтологий при решении задач анализа изображений предусматривает выполнение следующих шагов:

Шаг 1: Постановка задачи. Пользователь с помощью ключевых слов, включенных в тезаурусы, описывает цель, входные данные, требования к результату и всю полезную информацию о решаемой задаче.

Шаг 2: На основе введенной пользователем информации формируется запрос к базе знаний.

Шаг 3: Результатом запроса является множество задач, описания которых включают ссылки на соответствующие методы (алгоритмы) решения этих задач. Данное множество формируется на основе знаний, представленных в онтологии. Выбранные задачи ранжируются в соответствии с введенной мерой близости. Если ни одного описания задачи в базе знаний найдено не было, то происходит автоматическое расширение запроса посредством использования отношений между понятиями, зафиксированных в онтологиях.

Шаг 4: На исполнение отправляется метод, соответствующий первому из ранжированных описаний. Если полученный результат не удовлетворяет пользователя, то на исполнение отправляется следующий метод и т.д.

Шаг 5: Если искомый результат так и не был достигнут, то строится алгоритмическая схема из двух методов с наивысшими приоритетами. Если полученный результат не удовлетворяет пользователя, то строится алгоритмическая схема из двух других методов и т.д.

Шаг 6: Если искомый результат так и не был достигнут, то интерактивно с пользователем уточняется введенный ранее запрос, либо формируется новый. Далее шаги 2-6 повторяются до тех пор, пока желаемый результат не будет получен.

В разделе 4.2 описываются специализированные OWL-онтологии, разработанные для выполнения необходимых условий применимости предложенного в рамках диссертационной работы метода использования тезаурусов и онтологий при решении задач анализа изображений, для решения задач автоматизации анализа микроскопических изображений клеток крови.

Для дифференциальной диагностики опухолей системы крови и исследования закономерностей опухолевой прогрессии фундаментальной является проблема морфологического анализа клеток крови. На морфологии клеток, определяемой в цитологических и гистологических препаратах, базируется большинство современных классификаций опухолей системы крови.

Проблема автоматизации анализа изображений клеток крови находится на стыке следующих предметных областей: молекулярная биология, медицина, микроскопия и обработка и анализ изображений. В рамках проведенных исследований были разработаны следующие OWL-онтологии, необходимые для поддержки анализа микроскопических изображений клеток: онтология клеточной биологии; онтология микроскопии; онтология микроскопических изображений клеток; онтология признаков изображений клеток.

Для экспериментального исследования эффективности использования разработанных онтологий было разработано ПО, включающее библиотеку алгоритмов сегментации микроскопических изображений клеток и позволяющее извлекать различные группы признаков из изображений. Разработанное программное инструментальное средство предоставляет следующие возможности: 1) помогает сформулировать задачу, связанную с анализом изображений клеток различного типа; 2) автоматически выбирает алгоритм сегментации; 3) предлагает пользователю набор признаков, которые необходимо вычислить, в соответствии с конкретной задачей. Результаты использования разработанной экспериментальной версии ОАИ выявили необходимость в ее дальнейшем развитии и модификации с целью повышения точности, расширения возможности использования и стандартизации описания знаний, используемых при решении задач анализа изображений и извлечения из них информации, необходимой для принятия интеллектуальных решений.

В Заключении сформулированы основные научные и практические результаты работы, обсуждаются перспективные направления дальнейших исследований.

Список основных публикаций по теме диссертации

По результатам диссертации в реферируемых изданиях опубликовано 28 работ, в том числе 6 работ опубликовано в изданиях, входящих в перечень ведущих рецензируемых журналов и изданий, рекомендованных ВАК для публикации основных результатов диссертации на соискание ученой степени доктора и кандидата наук. Основные результаты опубликованы в следующих работах:

  1. Белоозеров В.Н., Гуревич И.Б., Мурашов Д.М., Трусова Ю.О. Концепция создания интернет-ресурса по обработке, анализу и распознаванию изображений // Тезисы докладов 7-ой Всероссийской с участием стран СНГ конференции «Методы и средства обработки сложной графической информации», Нижний Новгород, 15-18 сентября, 2003. - C. 11-12.
  2. Белоозеров В.Н., Гуревич И.Б., Мурашов Д.М., Трусова Ю.О. Об основных особенностях построения и применения тезауруса предметной области "Обработка и анализ изображений"//Труды 6-ой Международной конференции "Распознавание образов и анализ изображений: новые информационные технологии", Великий Новгород, 21-26 октября, 2002: В 2-х т. - Великий Новгород, 2002. - Т.1. - С.56-60.
  3. Трусова Ю.О., Белоозеров В.Н., Гуревич И.Б. Тезаурусное представление онтологии предметной области анализа изображений // Компьютерная лингвистика и интеллектуальные технологии: Труды международной конференции Диалог'2004 ("Верхневолжский", 2-7 июня 2004 г.). - М.: Наука, 2004. - С. 616 - 621.
  4. Asirelli P., Colantonio S., Gurevich I., Martinelli M., Salvetti O. Trusova Yu. Ontology Driven Approach to Image Understanding // 8th International Conference “Pattern Recognition and Image Analysis: New Information Technologies (PRIA-8-2007). Conference proceedings. In 3 volumes. – Yoshkar-Ola, 2007. - Vol.1. - P. 67-71.
  5. Beloozerov V.N., Gurevich I.B., Gurevich N.G., Murashov D.M., Trusova Yu.O. Thesaurus for Image Analysis: Basic Version // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2003. - Vol. 13, No.4. - P. 556-569.
  6. Beloozerov V.N., Gurevich I.B., Murashov D.M., Trusova Yu.O. Construction and Use of a Thesaurus in Image Analysis and Processing // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2003. - Vol. 13, No.1. - P. 67-69.
  7. Beloozerov V.N., Gurevich I.B., Trusova Yu.O. Representation of the Ontology of an Image Analysis Domain for Optimization of Information Retrieval // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2005. - Vol. 15, No.2. - P. 358-360.
  8. Beloozerov V.N., Murashov D.M., Trusova Yu.O., Yanchenko D.A. Searching for Solutions in the Image Analysis and Processing Knowledge Base // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2005. - Vol. 15, No.2. - P. 361-364.
  9. Colantonio S., Gurevich I., Martinelli M., Salvetti O., Trusova Yu. Thesaurus-based Ontology on Image Analysis // Semantic Multimedia. Second International Conference on Semantics and Digital Media Technologies, SAMT 2007, Genoa, Italy, December 5-7, 2007, Proceedings /B.Falcidieno et al. (Eds.): SAMT 2007, LNCS 4816. – Springer-Verlag Berlin Heidelberg, 2007. – P.113-116.
  10. Colantonio S., Gurevich I., Martinelli M., Salvetti O., Trusova Y. Cell Image Analysis Ontology //Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - Pleiades Publishing, Ltd., 2008. – Vol.18, No.2. – P.332-341.
  11. Colantonio S., Gurevich I., Pieri G., Salvetti O., Trusova Yu. Ontology-Based Framework to Image Mining // Image Mining Theory and Applications: Proceedings of the 2nd International Workshop on Image Mining Theory and Applications - IMTA 2009 (in conjunction with VISIGRAPP 2009), Lisboa, Portugal, February 2009.–Portugal: INSTICC PRESS, 2009. – P.11-19.
  12. Gurevich I.B., Khilkov A.V., Koryabkina I.V., Murashov D.M., Trusova Yu.O. An Open General-Purposes Research System for Automating the Development and Application of Information Technologies in the Area of Image Processing, Analysis, and Evaluation // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - MAIK "Nauka/Interperiodica"/Pleiades Publishing, Inc., 2006. - Vol.16, No.4. – P.530-563.
  13. Trusova Yu. Image analysis thesaurus. Version 1.0 // Pattern Recognition and Information Processing (PRIP'2007): Proceedings of the 9th International Conference (Minsk, Republic of Belarus, May 2007): In 2 volumes. - Minsk, 2007. - Vol.2. - P.210-214.
  14. Trusova Yu. Main Concepts and Elements of the Ontology on Image Processing and Analysis // 9th International Conference “Pattern Recognition and Image Analysis: New Information Technologies” (PRIA-9-2008): Conference Proceedings. In 2 volumes. – Nizhni Novgorod: N.I.Lobachevsky State University of Nizhni Novgorod, 2008. - Vol.2. – P.228-231.
  15. Trusova Yu., Gurevich I., Beloozerov V., Murashov D. Linguistic support of the knowledge base for image analysis and understanding system // Proceedings of VISAPP 2007 – 2nd International Conference on Computer Vision Theory and Applications, Barcelona, Spain, March 8-11, 2007. Volume Special Sessions. - Portugal: INSTICC Press, 2007. - P.194-199.
Pages:     | 1 |   ...   | 2 | 3 ||






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»