WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


 

На правах рукописи

Насер Адел Абдулсалам

методы и алгоритмы интеллектуальной системы диагностики сосудистой патологии сетчатки глаза на основе контурного спектрального анализа и нейросетевого моделирования

Специальность 05.11.17 – Приборы, системы и изделия медицинского назначения

Автореферат диссертации

на соискание ученой степени

кандидата технических наук

Курск – 2012

Работа выполнена в Юго-Западном государственном университете на кафедре биомедицинской инженерии

Научный руководитель:        доктор технических наук, профессор

  Филист сергей Алексеевич

                                               

Официальные оппоненты:                Рыбочкин анатолий Федорович доктор технических наук, доцент 

Юго-Западный государственный университет, профессор кафедры конструирования и технологии электронных вычислительных средств

Горбатенко Светлана Александровна кандидат технических наук, доцент

Курский институт социального образования (филиала) РГСУ, доцент кафедры информационных систем и естественнонаучных дисциплин

Ведущая организация:        Поволжский государственный технологический университет,

г. Йошкар-Ола

       

Защита диссертации состоится «02» ноября 2012 года в 14-00 часов на заседании диссертационного совета Д 212.105.08 при Юго-Западном государственном университете по адресу: 305040, г. Курск, ул. 50 лет Октября, 94, конференц-зал.

С диссертацией можно ознакомиться в библиотеке Юго-Западного государственного университета

Автореферат разослан «01» октября 2012 г.

Ученый секретарь

диссертационного совета       Снопков В.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ



Актуальность темы. Сосудистые патологии сетчатки глаза являются одной из ключевых проблем современной офтальмологии. Несмотря на значительные успехи, достигнутые за последние десятилетия в диагностике и лечении офтальмологических заболеваний, число больных с поражениями сетчатки сосудистого генеза продолжает увеличиваться (Бранчевский С.Л., Тутаева Е.С., Водовозов А.М., Кацнельсон Л.А., Durcey N.M. и др.).

В связи с тем, что эффективность лечения сосудистой патологии глаз в значительной мере зависит от точности определения ее стадий и степени тяжести, одним из основных направлений в профилактике и лечении этих заболеваний является совершенствование методов их дифференциальной диагностики, включая прогнозирование возникновения заболеваний и донозологическую диагностику (Гаврилова Н.А., Храмов А.Г., Купеев В.Г. и др.).

Для повышения достоверности диагностики сосудистых заболеваний глаз с учетом ограничений на оперативность и качество используют комплекс геометрических характеристик сосудов сетчатки. Однако измерения и объективная оценка этих показателей вызывает определенные трудности, связанные с нечеткостью и зашумленностью фотографического изображения глазного дна, как офтальмологического так и флюоресцентно-ангиографического. Наиболее успешно в настоящее время выделяется центральная линия сосудов сетчатки (ЦЛСС) глаза, поэтому целесообразно для оценки состояния сосудов использовать именно эту характеристику (Ильясова И.Ю., Корепанов А.О., Куприянов А.В. и др.).

Для анализа кривых сложной формы используются дескрипторы Фурье (Яне Б.). При решении аналогичных задач в офтальмологии необходимо учитывать, что множество точек (пикселей) изображения, определенного ЦЛСС, не является выпуклым, а ЦЛСС - замкнутой. Это приводит к ограничениям на использование известных методов спектрального анализа сложных изображений. Для преодоления этих ограничений необходимы методы, осуществляющие морфизм признакового пространства, позволяющий использовать аппарат  Фурье – анализа для классификации сложных изображений.

В тоже время, анализ только геометрических характеристик сосудов не может дать однозначного решения по диагностике и выбору тактики лечения. Поэтому необходимы методы и алгоритмы, позволяющие интегрировать частные решения по разнотипным данным в финальное решение, присутствующее на выходе интеллектуальной системы.

Таким образом, актуальной научно-технической задачей исследования является повышение качества диагностики патологии сосудов сетчатки на основе объективного анализа и количественной оценки геометрической формы сосудов на фотографическом изображении глазного дна.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П424 от 12 мая 2010 г.) и в соответствии с научным направлением Юго-западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Растровые изображения сетчатки глаза без патологии и с сосудистой патологией.

Предмет исследования. Методы и алгоритмы для интеллектуальной системы диагностики сосудистой патологии сетчатки глаза.

Цель работы. Разработка методов и алгоритмов для интеллектуальной системы диагностики сосудистой патологии сетчатки глаза на основе контурного спектрального анализа и нейросетевого моделирования, обеспечивающих повышение качества выявления патологий в условиях нечетко выраженных сегментов на растровых изображениях глазного дна.

Для достижения поставленной цели в работе решены следующие задачи:

  • исследованы методы и алгоритмы формирования пространства информативных признаков для классификации состояния сосудов сетчатки;
  • разработан метод математического моделирования центральной линии сосуда сетчатки, предназначенный для интеллектуальной системы диагностики сосудистой патологии сетчатки, а также структурные и алгоритмические решения для его реализации;
  • разработан метод формирования информативных признаков для нейронной сети, классифицирующей сосудистые заболевания глазного дна на основе анализа модели изображения центральной линии кровеносных сосудов сетчатки глаза;
  • созданы сетевые структуры и алгоритмы их функционирования, предназначенные для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки глаза;
  • разработана структура интеллектуальной системы диагностики сосудистых патологий сетчатки глаза и на ее основе проведена апробация предложенных методов, алгоритмов и специального программного обеспечения в клинической практике врача-офтальмолога.

Методы исследования. Для решения поставленных задач использовались методология искусственного интеллекта, методы теории биотехнических систем, морфологического анализа изображений, теории нейронных сетей и распознавания образов, теории спектрального анализа, статистического анализа, экспертного оценивания и принятия решений. При разработке нейросетевых моделей и модулей нечеткого вывода в качестве инструментария использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод построения математической модели сегмента центральной линии сосуда сетчатки, основанный на морфологической обработке бинарных или полутоновых растровых изображений глазного дна, отличающийся тем, что путем использования цепочки, состоящей из четырех морфологических операторов, множество пикселей изображения, описывающих центральную линию кровеносного сосуда, дополняется до двух непересекающихся подмножеств, границы которых устанавливаются по нижней и верхней границам координат пикселей, входящих в исходное изображение, позволяющий представить изображение любой кривой, в том числе и незамкнутой, в виде контура минимальной толщины;

- метод формирования пространства информативных признаков для нейронной сети, классифицирующей центральные линии сосудов сетчатки глаза, основанный на определении дескрипторов Фурье соответствующего контура минимальной толщины, отличающийся тем, что после получения отсчетов спектра Фурье контура, число спектральных отсчетов дополняется нулевыми отсчетами, амплитуда спектральных составляющих увеличивается на величину, прямо пропорциональную величине расширения спектра, а затем число дескрипторов Фурье отсекается до оптимального значения, определяемого путем минимизации функционала ошибки, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах;

- сетевая структура классификации двухальтернативных данных, включающая два решающих модуля, отличающаяся тем, что первый решающий модуль имеет сетевую структуру, соответствующую модели Арнольда-Колмогорова, в котором  узлы первого скрытого слоя выполняют нелинейные отображения, узлы второго скрытого слоя  - нейроны adaline, а второй решающий модуль предназначен для управления формой нелинейных отображений в первом скрытом слое первого решающего модуля в зависимости от окружения анализируемого пикселя изображения, позволяющая формировать центральную линию сосудов сетчатки глаза;

- алгоритмы формирования моделей сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна, отличающиеся использованием итерационных процедур настройки решающих модулей и итерационным процессом управления структурой скрытых слоев решающих модулей, входящих в настраиваемую модель, позволяющие получать модели сетевых структур, удовлетворяющие априорно заданным параметрам качества классификации.

Практическая значимость и результаты внедрения работы.

Разработанные методы и алгоритмы составили основу построения интеллектуальной системы поддержки принятия решений для врача – офтальмолога, предназначенной для диагностики сосудистых заболеваний сетчатки глаза, экспериментальные испытания которой показали целесообразность ее использования в медицинской практике. Применение предложенных в диссертации разработок позволяет создавать информационное обеспечение систем поддержки принятия решений для проведения лечебно-оздоровительных мероприятий при офтальмологических заболеваниях.

Основные теоретические и практические результаты работы используются в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных»), и в клинической практике в офтальмологическом отделении городской больницы №1 им. Н.С. Короткова (г. Курск).

Экономическая и социальная значимость результатов диссертационного исследования состоит в улучшении качества медицинского обслуживания населения, страдающего офтальмологическими заболеваниями.

Соответствие диссертации паспорту научной специальности. Содержание диссертации соответствует п. 2 «Исследование, разработка и создание медицинской техники, изделий, инструментов, методов и способов диагностики и лечения человека, которые рассматриваются как средства восстановления нарушенной поливариантной системы» области исследования специальности 05.11.17 -  Приборы, системы и изделия медицинского назначения.





Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на научно-технической конференции «Современные проблемы образования» (Курск, 2010); на II Региональной научно-практической конференции «Актуальные проблемы инфотелекоммуникации» (Курск, 2010); на IV международной научно-методической конференции «Образование. Инновация. Качество», (Курск, 2010); xхiv Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «биотехнические, медицинские и экологические системы и комплексы (биомедсистемы - 2011)» (Рязань, 2011); на международной научно-практической конференции «Информационные технологии в экономике, образовании и бизнесе» (Саратов, 2011); X Международной  научно-технической  конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание – 2012» (Курск, 2012); на региональном научно-техническом семинаре «Инновационные научно-технические разработки и направления их реализации» (Курск, 2012); X Международной научно-технической  конференции «Физика и радиоэлектроника в медицине и экологии» (Владимир, 2012); на XX Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2012); на XV Международной научно-технической конференции «Медико-экологические информационные технологии» (Курск, 2012); на Международной научной конференции «Компьютерное моделирование в науке и технике» (Андорра, 2012); на Международной научной конференции «Фундаментальные и прикладные исследования в медицине» (сочи, 2012); IX международной научно-практической конференции «Перспективы развития информационных технологий» (Новосибирск, 2012), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2010, 2011, 2012).

Публикации. по теме диссертации опубликовано 11 научных работ, из них 4 статьи в рецензируемых научных журналах.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1, 6, 7] автором лично предложены методы и алгоритмы для спектрального анализа центральных линий сосудов сетчатки глаза; в [2, 3, 4, 9, 10] - структуры нечетких нейросетевых решающих модулей и алгоритмы их обучения, предназначенных для классификации сосудов глазного дна; в [5] - интеллектуальные морфологические операторы для анализа сложноструктурируемых изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 111 отечественных и 17 зарубежных наименований. Работа изложена на 142 страницах машинописного текста, содержит 58 рисунков и 10 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы исследования, определены цели и задачи работы, ее научная новизна и практическая значимость, выбраны методы исследования, сформулированы задачи, приведены сведения об апробации и внедрении результатов работы.

В первой главе рассмотрены современные представления об этиологии и патогенезе сосудистых заболеваний сетчатки глаза. Исследованы офтальмологические изображения глазного дна при этих заболеваниях и выявлены патологические изменения сосудов сетчатки, характерные для наиболее распространенных сосудистых заболеваний. Рассмотрена возможность использования систем поддержки принятия решений в офтальмологии. Исследованы технические характеристики диагностических программно-технических комплексов офтальмологического назначения отечественных и зарубежных производителей и методы формирования информативных признаков на основе анализа ЦЛСС глаза и системы классификации сосудов на их основе. Выявлены ограничения рассмотренных методов и представлены направления исследований, позволяющие преодолеть эти ограничения.

В заключение первой главы формируются цель и задачи исследования.

Во второй главе исследуется спектральная модель ЦЛСС глаза. Для ее построения предлагается метод, позволяющий представить ЦЛСС глаза , где , , , в виде множества дескрипторов Фурье.

Для этого необходимо преобразовать ЦЛСС в замкнутую кривую - контур минимальной толщины, который удовлетворяет следующим условиям

                                                       (1)

                                                       (2)

Переход от ЦЛСС к ее модели в виде множества дескрипторов Фурье осуществляется путем последовательного выполнения четырех морфологических операций и одного спектрального преобразования

,                        (3)

где .

При классификации сосудов предложено использовать следующий метод формирования пространства информативных признаков. На первом этапе на основе статистических исследований определяется максимальное число отсчетов в контурах, полученных посредством использования четырех морфологических операторов (3), для всех контрольных и обучающих выборок. Для того, чтобы иметь возможность сравнивать дискретные отсчеты частот, соответствующие разным контурам, необходимо, чтобы они имели одно и тоже количество отсчетов (априорно полагается, что частота дискретизации у них одинакова и равна единице, то есть один пиксель). С этой целью высокочастотная часть спектральной области, занимаемой контуром, заполняется нулями и тем самым число отсчетов в спектре каждого контура доводится до максимального значения в выборке, а в пространстве сигналов появляются виртуальные отсчеты между реальными отсчетами.

на втором этапе все спектральные составляющие в спектре i-го контура умножаются на величину Lmax/Li , где Lmax=максимальное число отсчетов в контуре, Li – количество отсчетов в i-м контуре.

Третий этап – оптимизация числа используемых дескрипторов. В качестве критерия оптимальности числа анализируемых дескрипторов используется оценка качества восстановления исходного контура по выбранной совокупности дескрипторов.

для восстановления контура используются столько дескрипторов, сколько было получено отсчетов на контуре. Если часть смежных дескрипторов приравнивается к нулю, то при использовании нейросетевой классификационной модели узлы входного слоя нейронной сети, соответствующие этим дескрипторам, исключаются, что приводит к значительному упрощению модели принятия решения.

Чтобы оценить информационные потери при приравнивании к нулю части дескрипторов, используется функционал

,                                        (4)

где и - координаты параметра , находящегося на минимальном расстоянии от текущего , причем координаты и не являются смежными, а координаты , и , - смежные координаты.

При отсутствии ошибки S=1. Если уравнение (4) применить к исходному контуру, то оно станет условием того, что контур принадлежит к классу контуров минимальной толщины.

В качестве оптимизируемого критерия ошибки восстановления используем параметр , определяемый как

= S-1.                                                                                (5)

Исходные и восстановленные с помощью предложенного метода контуры показаны на рисунке 1.

  а)                                 б)

Рис. 1. Формы тестовых контуров: слева исходный; справа восстановленный

Более толстые линии восстановленного контура на рисунке справа, по сравнению с исходным (левым) рисунком объясняются тем, что каждой точке контура на рисунке 2, а соответствует несколько точек, расположенных на рисунке 2,б.

Таким образом, используя предложенную технологию интерполяции контуров и оптимизировав число спектральных коэффициентов получаем пространство информативных признаков, позволяющее осуществлять обучение сетевых классифицирующих структур и классифицировать ЦЛСС глаза на основе их геометрических свойств.

В третьей главе предложена  универсальная сетевая структура, предназначенная для сегментации и классификации сложноструктурируемых изображений, и алгоритмы для ее реализации.

универсальная сетевая структура построена на основе теоремы Арнольда-Колмогорова, согласно которой любая непрерывная функция n переменных f заданная на единичном кубе n – мерного пространства In = I I ...I может быть записана в форме

,                                                (6)

где функции непрерывные функции одной переменной, а функции - фиксированные возрастающие, непрерывные, определенные на I = [0,1] стандартные (не зависящие от выбора функции f) функции.

Чтобы упростить процесс аппроксимации, достаточно сложная гиперповерхность, соответствующая уравнению (6), представлена гиперплоскостью, описываемой уравнением

f(x1, x2,…xn)= a1x1 + a2x2  + … +anxn – b,                                        (7)

где  ai и b –константы (i = 1, 2, …, n).

Если число исходных данных m велико, то уравнение (7) преобразуется в систему из m линейных неоднородных уравнений. В реальных системах классификации m>n и система переопределена и, следовательно, соответствующая ей однородная система не имеет не тривиального решения.

компонентам вектора F=(f1 f2 … fm)T присваиваются произвольные одинаковые для каждого из разделяемых классов значения. В этом случае коэффициент b целесообразно представить в виде нечеткого числа, которое описывается некоторой функцией принадлежности с базовой переменной, лежащей в диапазоне ±. В случае такого представления область признакового пространства, соответствующая искомому классу, заключена между двух коллинеарных гиперплоскостей, отстоящих друг от друга на расстояние не более 2. В наиболее благоприятном случае все векторы обучающей выборки лежат на гиперплоскости, заданной вектором A=(a1 a2 … am b), detX=0  и =0.

От коллинеарных гиперплоскостей осуществляется переход к не коллинеарным гиперплоскостям путем расщепления исходной системы уравнений на множество подсистем путем уменьшения расстояний между коллинеарными гиперплоскостями. Очевидно, что чем больше число пар гиперплоскостей, на которое расщепляется исходная пара гиперплоскостей, тем более сложной может быть форма аппроксимируемой функции.

На рисунке 2 представлена сетевая структура, реализующая описанный способ аппроксимации, в которой исходная пара гиперпплоскостей расщеплена на   не коллинеарных пар коллинеарных гиперплоскостей.

Сеть состоит из четырех слоев и является однородной. Первый (входной) слой определяет вектор состояния системы классификации. Второй слой синтезирует аппроксимирующие функции согласно уравнению (6). Для реализации этих функций в узлах второго слоя используются нейроны типа «adaline» c линейной функцией активации. Число таких аппроксимирующих функций определяется структурой данных – обучающей выборкой и априорно неизвестно. 

сеть, представленная  на рисунке 2, настроена на один класс - , поэтому при поступлении на ее входы компонентов вектора Xj, соответствующих исследуемому классу, на выходах нейронов второго слоя появятся числа, близкие к нулю. При этом, наиболее близким к нулю будет выход yr того нейрона, расстояние между соответствующей гиперплоскостью которого и точкой Xj минимально. Решение принимается по минимальному значению из всех компонентов вектора состояния второго слоя  (y1 y2 ….yr…y), которые характеризуют степень близости вектора X к классу .

Так как выходы второго слоя могут приближаться к нулю с двух сторон, то над ними должны быть осуществлены симметричные нелинейные преобразования. В частом случае, эти преобразования не зависят от выхода нейрона второго слоя и имеют треугольную форму или форму гауссиана.

Рис. 2. Сетевая структура универсального классификатора

При использовании нелинейных преобразований в четвертом слое сети реализуется операция «нечеткое или»

.                (8)

аппроксимирующая модель для сетевой структуры рисунка 2 определяется следующим уравнением:

,                                        (9)

где , .

Для решения задачи выделения ЦЛСС глаза в сетевую структуру введены два решающих модуля (рисунок 3), причем первый решающий модуль имеет структуру, представленную на рисунке 2.

На вход сети подаются два вектора информативных признаков. Первый вектор информативных признаков описывает атрибуты исследуемого пикселя, например, трехкомпонентный вектор RGB кодов. Он подается на первый решающий модуль.

Рис. 3. Сетевая структура для классификации сложноструктурируемых изображений

На второй решающий модуль подается трехкомпонентный вектор фона, значение компонент которого определяются усредненными характеристиками RGB кодов пикселей в окрестности анализируемого пикселя, форма и размеры которой зависят от вида решаемой задачи. второй решающий модуль осуществляет управление структурой первого решающего модуля, который настроен на  класс 1 – класс, о принадлежности к которому принимается решение на основе анализа исходных данных.

Так как объекты на сложноструктурируемых изображениях имеют различный уровень освещенности, то RGB – коды не позволяют однозначно отделить сегменты изображения. Поэтому, для повышения качества классификации необходимо либо ввести дополнительные информативные признаки, отражающие уровень освещенности в окрестности исследуемого пикселя, либо изменять вид используемого нелинейного отображения в зависимости от уровня освещенности, задавшись при этом определенным количеством уровней освещенности и для каждого уровня построив соответствующее нелинейное отображение. в данной работе используется последний подход. при этом выделяются три класса фона, которые определяются освещенностью (цветовой палитрой) зоны интереса на изображении глазного дна.

Для каждого класса фона k формируются три нелинейных отображения

,  k=1. 2, 3.                                                (10)

В таком случае для каждого RGB - кода строится три нелинейных отображения, соответствующие трем классам фона.

Для получения нелинейных отображений для первого скрытого слоя первого решающего модуля предложен алгоритм, реализующий следующие этапы: 1 - синтез обучающих выборок; 2 - формирование таблицы экспериментальных данных для параметра (параметров) описания фона анализируемого пикселя в динамическом окне; 3 - ранжирование параметра фона; 4 - получение гистограмм RGB – кодов сегментов для каждого из выделенных поддиапазонов параметра фона; 5- синтез нелинейных отображений посредством интерактивной среды специального программного обеспечения.

Для реализации сетевой модели, структурная схема которой представлена на рисунке 3, были разработаны соответствующие алгоритмическое и программное обеспечения, которые ориентированы на интерактивный режим работы. Укрупненная схема алгоритма формирования сетевой модели для классификации пикселей сложноструктурируемого изображения показана на рисунке 4.

Рис. 4. Схема алгоритма формирования сетевой модели для классификации пикселей на изображении глазного дна при сосудистой патологии

В блоке 1 осуществляется формирование обучающих и контрольных выборок для классификации  пикселей на «сосуды» и «не сосуды».

В блоке 2 осуществляется формирование обучающих выборок для второго решающего модуля. Второй решающий модуль выполнен на основе многослойных нейронных сетей прямого распространения. Исследования показали, что по критерию точности классификации целесообразно использовать нейронные сети блочной структуры.

Ранжирование уровня освещенности области интереса изображения осуществляется на экспертном уровне. Вектор информативных признаков получают посредством анализа RGB-кодов пикселей, попавших в некоторое окно прямоугольной формы.

В блоке 3 формируются нелинейные отображения для настройки первого решающего модуля (рисунок 2).

После завершения настройки второго решающего модуля (блок 4) устанавливается в единицу Флаг (блок 5), который позволяет выполнять диспетчерские функции, осуществляющие переход от настройки первого решающего модуля ко второму в процессе итераций настройки системы, и настраивается первый решающий модуль (блок 6).

После настройки первого решающего модуля осуществляются контрольные испытания сетевой системы в целом (блок 7). Так как они ничем не отличаются от контрольных испытаний первого решающего модуля, то Флаг позволяет перейти к следующей итерации настройки параметров второго решающего модуля после того, как ресурсы первого решающего модуля исчерпаны при заданных параметрах второго решающего модуля, и наоборот.

Для предложенных в работе алгоритмов разработано программное обеспечение, которое позволяет формировать сетевые модели, предназначенные для классификации пикселей сложноструктурируемых изображений, включающее интерактивные среды настройки функциональных блоков сетевых структур, реализованное в среде Matlab 7.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

В четвертой главе проведены экспериментальные исследования системы поддержки принятия решения врача – офтальмолога, отражающей теоретические положения анализа и классификации сложноструктурируемых изображений, обоснованные в первых четырех главах диссертации.

Для автоматизированного анализа патологий глазного дна предложена интеллектуальная система, которая позволяет осуществлять в интерактивном режиме измерения морфологических характеристик объектов глазного дна (области кровоизлияния, участки отслоения сетчатки, диск зрительного нерва, кровеносные сосуды и т.д.), документировать произведенные измерения, осуществлять наглядное сравнение изображений глазного дна пациента, относящихся к разным моментам времени, наблюдать изменения морфологических характеристик объектов глазного дна в ходе лечения, осуществлять математическое моделирование глобальных и локальных свойств сосудов.

Для каждой из сосудистых патологий предварительно произведена оценка диагностических параметров по нескольким изображениям глазного дна пациента с верифицированным диагнозом, подтвержденным стандартными методами исследования и сформированы средние их значения для каждого вида патологии, принятые за эталон.

Программное обеспечение интеллектуальной системы включает три модуля. Первый программный модуль интегрирует все возможности обработки изображений, представленные в пакете Matlab 7.10, а также дополнительные программы, позволяющие выполнять арифметические и логические операции в пространстве изображений и их спектров, а также выделять RGB-составляющие цветных изображений.

Второй программный модуль предназначен для получения скалярных характеристик изображения или его фрагментов, таких как среднего арифметического яркости пикселей или RGB – коды, моды, амплитуды моды, площади изображения. для хранения обрабатываемого изображения служит файл-буфер.

Третий модуль программного обеспечения решает задачи визуализации патологических образований и морфологических структур изображения глазного дна и включает технологии нейронных сетей, ориентированные на работу с RGB кодами изображения, и технологии, реализованные на спектральном анализе контуров минимальной толщины.

Исследование эффективности спектрального анализа контуров минимальной толщины, с точки зрения разделимости классов,  проводилось  на  выборке, состоящей  из 352 элементов,  из  которых 214  элементов  относятся  к классу «норма» (слабо извилистые сосуды), 138 – к классу «патология» (извилистые сосуды). Отнесение контура минимальной толщины к одному из классов производилось медицинским экспертом (офтальмологом).

Для разделения на два класса использовалась нейронная сеть прямого распространения. Контрольная выборка состояла из 90 элементов, отбор  которых носил случайный характер. В качестве расчетных показателей качества диагностических решающих правил использовались: диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС), диагностическая эффективность решающего правила (ДЭ). На контрольной выборке эти параметры приняли следующие значения: ДЧ = 95%, ДС = 92%, ДЭ = 93%. Для сравнения выбраны три известных метода, обеспечивающие наиболее эффективные оценки извилистости ЦЛСС,  получаемые  автоматически (с  использованием  программных средств). Для этих методов показатели качества классификации принимает следующие значения: ДЭ1 = 91,3%; ДЭ2 = 89,5%, ДЭ3 = 89,1%.

Как показали результаты предыдущих исследований, для надежной постановки диагноза или прогноза сосудистой патологии сетчатки необходимо кроме извилистости сосудов анализировать ряд других факторов, среди которых эксперты выделили величину артериального давления, наличие атеросклероза, группу признаков, получаемых в результате опроса пациента, группу признаков, получаемых в результате осмотра и инструментальных исследований пациента.

Таким образом, на входе сетевой модели анализа и классификации сосудистой патологии глазного дна имеется совокупность групп информативных признаков, полученных в результате использования различных методик и технологий диагностики, которые необходимо интегрировать в единую сетевую структуру классификации.

Для классификации сосудистых заболеваний сетчатки глаза в диссертации была предложена структура нейронных сетей с макрослоями (НСМ), которая представлена на рисунке 5.

       Рис. 5. Структурная схема нейронной сети с макрослоями

В НМС за каждую патологию , определяемую по k-й группе информативных признаков, отвечает нейронная сеть прямого распространения . Если выделяются L заболеваний сетчатки, то для каждой группы информативных признаков tk получаем макрослой, содержащий столько нейронных сетей прямого распространения, сколько заболеваний сосудов сетчатки выделяется данной НСМ. Число макрослоев определяется числом групп информативных признаков K, используемых для диагностики. Так как решения о принадлежности к заданному заболеванию сетчатки принимаются в каждом из K слоев НСМ, то НМС должна иметь K+1 слой. выходной слой предназначен для агрегирования решений, принимаемых в каждом слое, и тоже выполняется в виде макрослоя нейронных сетей прямого распространения.

Каждая нейронная сеть в макрослоях настраивается по алгоритму обратного распространения ошибки. Вначале настраиваются нейронные сети в K первых слоях. После их настройки осуществляется настройка нейронных сетей выходного слоя.

Нейронные сети в макрослоях имеют структуру, которая предполагает наличие нелинейных отображений в первом скрытом слое. Нелинейные отображения определяются для каждого из компонентов анализируемого вектора информативных признаков по диагностируемого заболевания .

интеллектуальная система тестировалась на диагностике тромбоза центральной вены сетчатки и ее ветвей (ТЦВСиВ). В результате дополнительного разведочного анализа и экспертного оценивания были получены нелинейные отображения для , соответствующего ТЦВСиВ, для нескольких групп информативных признаков: артериальное давление, фактор риска атеросклероз сосудов головного мозга, по группе признаков опрос, по группе признаков, получаемых в результате осмотра и инструментальных методов исследования.

Оценка эффективности правил прогнозирования возникновения ТЦВСиВ производилась по показателю оценки вероятности правильной классификации искомого заболевания, вычисляемому через величину частости, определяемую на контрольной выборке относительно здоровых и больных ТЦВСиВ.

Объем контрольной выборки определялся по методике принятой в медицинской практике. Для прогнозирования риска возникновения ТЦВСиВ использовалась выборка объемом в 100 пациентов. Отобранные 100 человек имели 80% факторов риска из выбранного перечня и наблюдались в течение 8 лет. Через 4 – 4,5 года у 93 человек наблюдалось наличие претромбоза и начинающего тромбоза, подтвержденные объективным анализом картины глазного дна. Таким образом, оценка вероятности правильного прогноза составляет 0,93 при одновременном наличии большинства факторов риска.

Аналогично определялся объем контрольной выборки по стадиям заболевания. Для претромбоза он составил 125 человек, для начинающего тромбоза 95 человек, для неполного тромбоза 98 человек.

результаты испытаний на контрольных выборках в рамках допустимой погрешности (около 3%) практически совпадают с результатами экспертного оценивания, что позволяет сделать выводы о целесообразности использования полученных прогностических и диагностических правил для решения задач рационального управления лечебно-профилактическими мероприятиями при предупреждении и лечении тромбозов центральной вены сетчатки и ее ветвей.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для анализа сложноструктурируемых изображений в интеллектуальных системах диагностики сосудистой патологии сетчатки глаза.

В диссертации получены следующие основные результаты.

1. исследованы методы и алгоритмы формирования пространства информативных признаков для классификации состояния сосудов сетчатки. На основе проведенного анализа предложено в интеллектуальных системах диагностики сосудистых патологий сетчатки глаза по результатам анализа изображений глазного дна использовать спектральные методы обработки контурных изображений и решающие модули, построенные на основе сетевых моделей.

2. разработан метод математического моделирования центральной линии кровеносного сосуда, основанный на морфологической обработке бинарных и полутоновых изображений, предназначенный для интеллектуальной системы диагностики сосудистой патологии сетчатки, а также структурные и алгоритмические решения для его реализации, позволяющие представить любую кривую, в том числе и ветвящуюся, в виде контура минимальной толщины.

3. Разработан метод формирования информативных признаков для нейронной сети, классифицирующей центральные линии кровеносных сосудов сетчатки глаза, основанный на вычислении дескрипторов Фурье контура минимальной толщины, соответствующего этой линии,  позволяющий  получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах.

4. созданы многомодульные сетевые структуры и алгоритмы их функционирования, предназначенные для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки глаза, включающие:

- математическую модель для построения универсальных сетевых структур, предназначенных для классификации двухальтернативных выборок при решении задач сегментации сложноструктурируемых изображений;

- алгоритм получения нелинейных отображений в первом скрытом слое первого решающего модуля;

-алгоритм формирования моделей сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна;

- алгоритм формирования моделей первого решающего модуля сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна, позволяющий получить модель первого решающего модуля, удовлетворяющую требуемым параметрам качества классификации;

- программное обеспечение для формирования сетевых моделей, предназначенных для классификации пикселей на офтальмологическом изображении глазного дна при сосудистой патологии, включающее интерактивные среды настройки функциональных блоков сетевых структур, реализованное в среде Matlab 7.0.

5. разработана структура интеллектуальной система диагностики сосудистых патологий сетчатки глаза, включающая:

- нейронные сети с макрослоями, использующие для диагностических заключений  по группе информативных признаков, получаемых по различным методикам и технологиям;

- нелинейные отображения для первого скрытого слоя нейронных сетей, получаемые в результате дополнительного разведочного анализа  в выделенных группах информативных признаков, позволяющие настроить нейронную сеть для прогнозирования и диагностики тромбоза вен сосудов сетчатки и ее ветвей.

6. проведенные исследования на репрезентативных контрольных выборках показали:

- предложенный метод формирования признакового пространства обеспечивает получение решающих правил, диагностическая эффективность которых при решении задачи классификации сосудов сетчатки глаза «норма» - «патология» составляет 93% и может быть использован для автоматизированной диагностики патологических изменений кровеносных сосудов глазного дна;

- предлагаемые правила прогноза и дифференциальной диагностики степени тяжести тромбозов центральной вены сетчатки и ее ветвей обеспечивают уверенность в правильном принятии решений на уровне 0,9 и могут быть использованы в клинической практике.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ:

Публикации в рецензируемых научных журналах

1.        Спектральные технологии морфологического описания сегментов в задачах классификации сложноструктурируемых изображений / Р.А. Томакова, А.А. Насер, Шульга Л.В. и [др.]// Известия Юго-Западного государственного университета. 2012. №1(40). Часть 1. С.22-28.

  1. Томакова Р.А., Насер А.А., Филист С.А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях / Биомедицинская радиоэлектроника. 2012. №4. С.43-49.
  2. Теория факторов уверенности в медицинских системах поддержки принятия решений / А.А. Кузьмин, Кузьмина М.Н., А.А. Насер и [др.]// Биомедицинская радиоэлектроника. 2012. №4. С.62-68.
  3. Снопков В.Н., Насер А.А., Иванов А.В. нейросетевое моделирование и математические алгоритмы в дифференциальной диагностике диабетической ретинопатии/ Известия Юго-Западного государственного университета. 2012. № 2-1. С. 50-57.

Статьи и материалы конференций

  1. Насер А.А., Томакова Р.А. Исследование эффективности сегментации плохо структурированных изображений на основе чередования морфологических операторов типа «размыкание» - «замыкание» / Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание – 2012: матер. X Междунар. научн.-техн. конф.- Курск: ЮЗГУ, 2012. С.302-304.
  2. Томакова Р.А., Насер А.А., Шаталова О.В. Математическое обеспечение распознавания и классификации сложноструктурируемых биологических объектов / Международный журнал прикладных и фундаментальных исследований. 2012. №4. С. 48-49.
  3. Насер А.А., Томакова Р.А., Ефремов М.А. Сегментация изображений со сложной структурой на основе морфологических операторов «размыкание» - «замыкание» / Инновационные научно-технические разработки и направления их реализации: материалы регионального научно-технического семинара: Курск: ЮЗГУ, 2012. С.78-81.
  4. Насер А.А. Программный пакет нейросетевого моделирования для анализа и классификации патологий на изображении глазного дна/ биотехнические, медицинские и экологические системы и комплексы (биомедсистемы - 2011): матер. xхiv Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. Ч.2. – Рязань. 2011. С.38-43.
  5. Томакова Р.А., Насер А.А., Филист С.А. Нейронные сети с макрослоями для классификации флюоресцентных ангиограмм глазного дна/ Физика и радиоэлектроника в медицине и экологии: доклады 10-й межд. научн.-техн. конф. Книга 2. – Владимир. 2012. С.178-182.
  6. Березников А.И., Кореневский Н.А., Насер А.А. Нечеткие модели для формирования диагностических заключений при лечении воспалительных заболеваний зрительного нерва / Медико-экологические информационные технологии – 2012: материалы XV Междунар. научн.-техн. конф.- Курск: ЮЗГУ, 2012. С.49-55.
  7. Насер А.А. Исследование эффективности детектирования краев при сегментации сложноструктурируемых изображений посредством многослойных морфологических операторов / Медико-экологические информационные технологии – 2012: материалы XV Междунар. научн.-техн. конф.- Курск: ЮЗГУ, 2012. С.150-159.

Подписано в печать __________. 2012 г. Формат 60×84 1/16.

Печатных листов 1,1. Тираж 100 экз.  Заказ _____.

Юго-Западный государственный университет,

305040, г. Курск, ул. 50 лет Октября, 94

Отпечатано в ЮЗГУ






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

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.