WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


 

На правах рукописи

Брежнева Александра Николаевна

методы и алгоритмы морфологического анализа  изображений в автоматизированной системе диагностики диабетической ретинопатии

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, доцент

                                               Серебровский Вадим Владимирович

Официальные оппоненты:        доктор технических наук, профессор Вольфенгаген Вячеслав Эрнстович

Национальный Исследовательский Ядерный Университет "МИФИ", профессор кафедры кибернетики

кандидат технических наук, доцент

Труфанов Максим Игоревич

Юго-Западный государственный университет, доцент кафедры вычислительной техники

Ведущая организация:        Воронежский государственный технический университет

Защита диссертации состоится «27» апреля 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 ФГБОУ ВПО «Юго-Западный государственный университет»

Автореферат разослан «_24_» марта 2012 г.

Ученый секретарь

диссертационного совета       Снопков В.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Диабетическая ретинопатия (ДР) занимает одно из первых мест среди глазной патологии, приводящей к полной потере зрения и инвалидности. Широкая распространенность сахарного диабета (СД) (в развитых странах болеют до 4 – 5% населения) влечет за собой и рост числа больных ретинопатией. Несмотря на совершенствование методов контроля состояния больных СД, потеря зрения в результате осложнений СД остается очень серьезной проблемой. Это обусловлено, с одной стороны, тем, что на ранних стадиях ДР больные не предъявляют жалоб на снижение зрения, с другой – тем, что поражение сетчатки на ранних стадиях заболевания очень трудно выявить: для этого необходим тщательный квалифицированный офтальмологический контроль с применением современных методик.

Основными методами диагностики ДР считаются офтальмоскопия и ФАГД (флуоресцентная ангиография глазного дна). Во врачебной практике наличие патологических аномалий на изображении глазного дна определяется визуальным способом, что связано с высокой трудоемкостью и субъективностью оценки. Более того, эти изображения не имеют четкого морфологического описания сегментов и относятся к классу сложноструктурируемых изображений. При этом сложности структурирования таких изображений обусловлены как природой самого изображения, связанной с неравномерностью освещенности сегментов глазного дна и трудностями формализации описаний его морфологических структур, так и с зашумленностью хорошо структурируемых фрагментов изображения. Низкое качество сегментации таких изображений и отсутствие возможности объективного описания патологических структур приводит к тому, что большинство автоматизированных систем многоцелевого назначения не предназначены для определения патологий, а выполняют ряд вспомогательных операций, позволяющих повысить оперативность и (или) качество принимаемых решений.

Таким образом, актуальной научно-технической задачей исследования является повышение качества диагностики патологических состояний на основе объективного анализа и количественной оценки патологических сегментов изображения 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. Системы медицинского назначения для сегментации и классификации сложноструктурируемых изображений.

Предмет исследования. Методы и алгоритмы морфологического анализа изображений глазного дна для систем интеллектуальной поддержки диагностики диабетической ретинопатии.

Цель работы. Разработка методов и алгоритмов морфологического анализа изображений глазного дна для автоматизированной диагностики  диабетической ретинопатии, обеспечивающих повышение качества выявления патологий в условиях нечетко выраженных границ сегментов.

Для достижения поставленной цели решены следующие задачи:

  • исследовать методы и средства сегментации и классификации морфологических структур сложноструктурируемых изображений;
  • разработать метод сегментации сложноструктурируемых изображений, предназначенный для автоматизированной системы морфологического анализа изображений глазного дна, а также структурные и алгоритмические решения для его реализации;
  • разработать алгоритмическое и программное обеспечение для автоматизированной системы диагностики диабетической ретинопатии;
  • разработать метод классификации морфологических образований на флюоресцентных ангиограммах глазного дна;
  • провести апробацию предложенных методов, алгоритмов и специального программного обеспечения в клинической практике врача-офтальмолога.

Методы исследования. Для решения поставленных задач использовались методология искусственного интеллекта, методы морфологического анализа изображений, теории нейронных сетей и распознавания образов, теории нечеткой логики принятия решений, экспертного оценивания, 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 сегментации сложноструктурируемых изображений, построенный на основе градиентной обработки исходного черно-белого изображения, отличающийся тем, что процесс получения бинарного изображения, отражающего морфологическую структуру исходного изображения, разбит на три последовательных этапа: на первом этапе получают векторизованное изображение, на втором этапе получают препарированное векторизованное изображение, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, осуществляемый посредством нечеткой нейросетевой модели;

- интеллектуальный оператор, предназначенный для формирования границы сегмента, реализованный в виде многослойной нечеткой сети, включающей базу решающих правил и агрегирующие и классифицирующие слои, позволяющий реализовать итерационный процесс активации пикселей границы сегмента;

- гибридная нейронная сеть, отличающаяся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию патологических сегментов по пространственно-яркостным характеристикам пикселей изображения, и последовательно включенной радиально-базисной нейронной сетью, позволяющая классифицировать морфологические образования на фотографиях флюоресцентных ангиограмм глазного дна.

Практическая значимость и результаты внедрения работы.

Разработанные методы и алгоритмы составили основу построения автоматизированной системы для врача – офтальмолога, предназначенной для диагностики диабетической ретинопатии, экспериментальные испытания которой показали целесообразность ее использования в медицинской практике. Применение предложенных в диссертации разработок позволяет создавать информационное обеспечение для проведения лечебно-оздоровительных мероприятий.

Основные теоретические и практические результаты работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных»), в НИР 1.15.10Ф гос. рег. № 01201059181 от 07.09.2010, выполняемой по заказу Министерства образования и науки РФ и использованы в ходе профилактических обследований больных сахарным диабетом в ОБУЗ Офтальмологическая клиническая больница – Офтальмологический центр (г. Курск).

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

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 Международной научно-практической конференции «Информационные технологии в медицинских и педагогических исследованиях (Курск, 2009); на XVII, XVIII и XIX Международных конференциях «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2009, 2010, 2011); на I Международной конференции «инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург, 2010); IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль, 2010); на XIII и XIV Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2010, 2011); на Международной научно-технической конференции «Интегральные процессы в науке-2011» (Курск, 2011), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2009, 2010, 2011).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 14 печатных работ, из них 4 работы в рецензируемых научных журналах.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [8], [10] и [13] автор предложил алгоритмы синтеза морфологических операторов для обработки изображений биомедицинских сигналов; в [2], [3], [4] и [11]  соискателем предложены структуры нечетких нейросетевых решающих модулей и алгоритмы их обучения, предназначенных для сегментации изображений глазного дна; в [5], [7] и [12] автором разработаны алгоритмические решения анализа изображений глазного дна на основе нечеткого моделирования принятия решений; в [12] соискатель предложил гибридные нейросетевые информационные технологии сегментации изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 88 отечественных и 19 зарубежных наименований. Работа изложена на 132 страницах машинописного текста, содержит 55 рисунков и 7 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 выполнен анализ состояния предметной области: дано описание патологических образований и морфологических структур изображения глазного дна, особенностей их получения, обзор существующих методов систем обработки медицинских изображений, а также описание основных направлений развития способов сегментации изображений.

большинство способов сегментации включает последовательную обработку изображения градиентным и пороговым операторами. Учитывая, что анизотропные градиентные операторы более эффективны, чем не анизотропные, в качестве градиентного оператора  используют два анизотропных градиентных оператора, в результате чего получают векторное изображение, каждый пиксель которого характеризуется двумя параметрами, определяемыми как

(1)

(2)

где G- исходное изображение, G1-изображение, полученное в результате обработки изображения G градиентным оператором, x и y - направления, характеризующие анизотропию градиентного оператора.

Однако операторы типа (1)-(2) и последующие операторы пороговой обработки не удовлетворяют критериям точности выделения границ сегментов, так как не учитывают морфологические особенности изображения и помех. Поэтому наиболее рациональным решением проблемы сегментации представляется использование гибридных технологий сегментации и классификации изображений, включающих совместное использование градиентных методов обработки, нечеткой логики принятия решений и нейросетевого моделирования.

В заключение первой главы формируются цель и задачи исследования.

Во второй главе разрабатывается интеллектуальный морфологический оператор, предназначенный для сегментации сложноструктурируемых изображений.

Для сегментации сложноструктурируемых изображений используется метод, включающий три последовательных этапа: на первом этапе получают векторизованное изображение согласно операторам (1) и (2), на втором этапе получают препарированное векторизованное изображение G2, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, осуществляемый посредством интеллектуального морфологического оператора, построенного на основе нечеткой нейросетевой модели.

Бинарное изображение границ сегментов G3 может быть получено непосредственно из векторного изображения G1 или G2. В результате этого векторное изображение преобразуется в скалярное изображение с бинарными пикселями. Сетевая модель преобразования изображения G1 в изображение G3 показана на рис.1. Эта модель включает пять слоев. За основу формирования слоя взята девятиэлементная маска, представленная на рис.2,а с восьмью направлениями . На этом рисунке пиксель, обозначенный цифрой 9, является исходным или предшествующим пикселем формируемой границы сегмента. Относительно девятого элемента могут быть выбраны восемь альтернативных решений по выбору следующего пикселя границы сегмента, которые представлены на рис.2,б и обозначены . Для выбора соответствующей альтернативы можем сформировать три решающих правила. Эти правила реализуются тремя слоями сети рис. 1, четвертый слой агрегирует решающие правила для каждого из восьми пикселей маски, а пятый слой, включающий только один узел, активирует только один пиксель из восьми, для которого функция активации Z, полученная в результате агрегации трех решающих правил, имеет наибольшее значение.

Первое решающее правило основано на том, что движение границы сегмента должно осуществляться в направлении, перпендикулярном направлению градиента яркости.

На рис.2,а эти возможные движения границы сегмента показаны для направлений градиентов в виде трех эллипсов, большие оси которых перпендикулярны выделенным направлениям, а меньшие оси совпадают с градиентом в девятом пикселе.

Рис. 1. Пятислойная модель нечеткой сети, реализующей интеллектуальный оператор выделением границ сегмента

На сетевой модели  рис.1 узлы в слоях обозначены двумя цифрами: первая цифра соответствует решающему правилу, а вторая – номеру пикселя в маске в соответствии с рис.2,б. Первое решающее правило выбирает тот эллипс движения, малая ось которого наиболее близка к градиенту в пикселе 9, то есть к . Таким образом, в первом слое для первого решающего правила необходимо провести сравнение со всеми и выбрать два из восьми возможных пикселей, которые находятся на большей оси эллипса, соответствующего направлению .

Рис. 2,а. Схема формирования направлений градиентов в девятиэлементном окне

Рис. 2,б. Схема обозначения пикселей в девятиэлементном окне

Второе решающее правило основано на том, что наибольшую уверенность активации имеет тот пиксель, градиент которого наиболее близок к градиенту текущего активизированного пикселя, то есть необходимо проверить условие:

. (3)

Третье решающее правило основано на том положении, что яркость Ii активируемого пикселя должна быть близка к яркости предшествующего пикселя границы сегмента

  (4)

Таким образом, в первом слое сетевой модели рис.1 происходит формирование условий для трех используемых решающих правил.

Второй слой сети рис.1 реализует математическую обработку условий, полученных в первом слое. Для первого  решающего правила (узлы  1-1  … 1-8 рис.1) математическая обработка сводится  к нахождению минимального значения сигнала, приходящего в узел. В узел приходит два сигнала, каждый из которых вычисляется в первом слое как

(5)

Способ соединения узлов первого слоя 1-1 … 1-8  рис.1 и узлов второго слоя определяется согласно рис.2. Таким образом, в узлы 1-1  … 1-8 второго слоя приходят два сигнала, определяемые согласно уравнению (5). В каждом из узлов вычисляется минимальный сигнал, который и поступает на третий слой (узлы  1-1 … 1-8). В узлах  2-1 … 2-8 и 3-1 … 3-8  второго слоя вычисляются левые части уравнений (3) и (4), соответственно.

В третьем слое осуществляется формирование нечетких решающих правил. Каждое из трех решающих правил осуществляет нелинейное преобразование величин, вычисленных в узлах второго слоя, в соответствующее число, лежащее в диапазоне 0 … v.  Величина v определяет вес данного решающего правила и лежит в диапазоне 0…1. Вес решающего правила будем задавать эмпирически с последующим его уточнением в зависимости от вида исследуемого объекта и качества изображений (наличие шума).

В качестве нелинейных преобразований используем простейшие нелинейные  преобразования кусочно-линейного типа.

Таким образом, имеем три решающих правила:

,  (6)

  , (7)

,  (8)

где - выходы узлов второго слоя, .

Нелинейное преобразование описывается следующим уравнением

  (9) 

Нелинейное преобразование позволяет оценить уверенность в выборе пикселя границы сегмента на основе сравнения градиента в текущем и выбираемом пикселе.

Кусочно-линейная аппроксимация функции аналогична (9).

Нелинейное преобразование позволяет оценить уверенность в выборе границы пикселя на основе того, насколько его яркость близка к яркости текущего пикселя.

Нелинейная зависимость имеет кусочно-линейную аппроксимацию, аналогичную и .

В четвертом слое сети осуществляется агрегация решающих правил для каждого пикселя 1…8 маски рис.2. В пятом слое выбирается один из восьми пикселей, агрегирующая функция для которого имеет максимальное значение.

Для определения максимального значения этой функции необходимо сравнить ее значения в восьми пикселях. Для осуществления сравнения необходимо ввести расстояние d в пространстве . Если использовать манхэттенскую метрику, то агрегатор определяется как

.  (10)

Одной из основных процедур выделения границы сегмента является определение конца границы сегмента. В качестве детектора конца границы сегмента используем следующее решающее правило:

Если (последующая координата пикселя границы вышла за кадр изображения) или (последующая координата пикселя границы сегмента уже выбрана), то «конец границы сегмента», иначе « текущий пиксель принадлежит границе сегмента». (11)

Разработанные модели и алгоритмы реализованы в пакете MATLAB и апробированы на задачах сегментации изображений глазного дна.

Третья глава посвящена разработке алгоритмического, методического и программного обеспечения для автоматизированной системы диагностики состояния глазного дна при ДР.

Автоматизированная система позволяет: произвести ввод и предварительную обработку изображений глазного дна (офтальмологических и ФАГД); произвести обнаружение и распознавание элементов патоморфологической картины глазного дна; оценить параметры патологии микроциркуляторного русла и состояния макулярной области сетчатки.

При описании изображения глазного дна при ДР в автоматизированном режиме используются те же показатели, что и при оценке патологии глазного дна визуально.

Построение диагностической процедуры определения диабетической ретинопатии на основе системы показателей, в которые входят параметры  среднего диаметра вен, наличие твёрдого и (или) мягкого экссудата, наличие обструкции прекапиллярных артериол и капилляров (интраретинальная микроангиопатия), или кровоизлияний, наличие отёка макулярной области, следует производить по алгоритму, схема которого представлена на рис. 3. Этот алгоритм моделирует логику врача-офтальмолога при проведении визуального осмотра глазного дна испытуемого.

Все процедуры, предусмотренные этим алгоритмом, имеют интерфейсные окна, в которых выводятся качественные или количественные показатели результата тестирования.

Изображение глазного дна выбирается из архива на жестком или съемном диске. Это иллюстрирует рис. 4, а.

Важным диагностическим показателем является измерение диаметров вен всех трех порядков (блоки 1 и 2 алгоритма рис.3). Анализ этих показателей включает процедуры измерения геометрических размеров на экране дисплея.

Размеры на экране дисплея измеряются в пикселях, тогда как для постановки диагноза необходимы размеры в абсолютных метрических единицах. В программе предусмотрены способы, позволяющие перевести размеры в пикселях, определяемые системой в автоматическом режиме, в размеры, принятые в клинической практике. Пример результата работы этих блоков алгоритма представлен на рис.4, б.

Рис. 3.  Схема алгоритма диагностирования ДР

При установлении несоответствия диаметров вен 1-го, 2-го и 3-го порядков изображения глазного дна норме, функция проверки  на наличие экссудатов вкладки «Проверка на диабетическую ретинопатию» становится активна, и следует провести процедуру проверки. При этом осуществляется переход к изображению в режиме градации серого, и по яркости, соответствующей экссудативным образованиям изображения, реализуется тест на их присутствие, но конечное решение принимается пользователем.

 

               а)                                                б)

Рис 4. Интерфейсные окна автоматизированной системы

После теста на проверку экссудата, согласно алгоритму рис.3, рекомендует установить, присутствует ли отек макулы, или, в случае, когда тест на наличие экссудата оказывается отрицательным, автоматизированная система диагностики переходит к проверке на наличие кровоизлияний.

После проведения всех этапов проверки на наличие диабетической ретинопатии программа автоматизированной системы диагностики состояния глазного дна выдает предполагаемое решение о стадии заболевания ДР.

Чтобы упростить для пользователя обработку изображения глазного дна в программе автоматизированной системы диагностики имеется функция выделения фрагмента изображения, функция получения информации об исследуемом изображении, получения информации о пикселях изображения, масштаба, функция перехода к исходному изображению, градации серого, RGB- составляющие, вычисление площади, а также возможен переход к режиму «скользящее окно», позволяющему получить  ряд статистических и атрибутивных параметров фрагмента изображения в окне, размеры и координаты которого задаются пользователем в интерактивном режиме.

Четвертая глава посвящена экспериментальным исследованиям автоматизированной системы анализа изображений глазного дна на примере анализа фотографических изображений ФАГД. основными задачами такого анализа являются дифференциальная диагностика и уточнение диагноза, точная локализация процесса и определение его распространенности, а также контроль за течением заболевания и эффективностью его лечения.

Для решения этих задач разработан метод классификации морфологических образований на ФАГД, основанный на пространственно-яркостных характеристик пикселей кортежа фотографий ФАГД. Основным требованием при этом является поддерживание постоянным от кадра к кадру координат и размеров окна интереса – анализируемого участка фотографии ФАГД. При этом в задачу классификации входит выбор параметров изображения сегмента, характеризующего окно интереса.

метод заключается в том, что в зоне интереса на фотографии ФАГД выделяем окно, в котором определяем вектор, характеризующий интенсивность яркости пикселей в этом окне. Компонентами вектора могут быть мода, математическое ожидание, среднеквадратическое отклонение яркости пикселей в окне.

Проиллюстрируем метод на клиническом примере анализа ФАГД, представленных на рис. 5. В верхней части рисунка показаны два снимка, соответствующих двум моментам времени: артериальная фаза и поздняя фаза. В принципе снимков, разнесенных во времени, можно использовать значительно больше. На приведенных снимках патологический сегмент находится в зоне перипапиллярной неоваскуляризации (зоне патологического соскообразного разрастания сосудов).

а)                                                        б)

Рис 5. Фрагменты окна автоматизированной системы при анализе ФАГД: фотографии ФАГД при пролиферативной диабетической ретинопатии, полученные в артериальной фазе (а) и поздней фазе (б) – вверху, и соответствующие гистограммы яркости, полученные в выделенных окнах – внизу (по осям абсцисс отложены восьмибитные коды яркости пикселей)

Яркостной характеристикой окна является гистограмма яркости, которая показана в нижней части рис. 5. Гистограмма состоит из 14 элементов, которые используются в качестве информативных признаков на входе нейронной сети прямого распространения. Выбрав фотографию ФАГД с теми же координатами окна, но полученную в другой момент времени, получаем другую гистограмму яркости. На рис.5,б внизу показана такая гистограмма, полученная в окне с теми же координатами и тем же размером, но для изображения ФАГД рис. 5,б вверху.

Таким образом, каждое окно интереса описывается 14-элементным вектором, компоненты которого являются отсчетами гистограммы яркости пикселей в окне. Так как яркость изменяется от снимка к снимку, то есть зависит от времени, то каждое окно интереса характеризуется множеством гистограмм

,                                        (12)

где k=1, 2, …, K номер снимка ФАГД, ранжированный во времени, К-число используемых для диагностики снимков ФАГД.

при моделировании нейронных сетей для классификации ФАГД воспользуемся гибридным подходом, который объединяет парадигмы нейронных сетей прямого распространения (НСПР) и радиально-базовых нейронных сетей (РБНС).

Если рассматривать НСПР как классификатор, то после соответствующего обучения, например, путем использования  двухальтернативной выборки, на выходе нейронной сети при присутствии на входе вектора из множества (11), имеем величину , характеризующую степень принадлежности i-го входного вектора к классу .

В модели рис.6 используем нейронные сети прямого распространения. Число нейронных сетей определяется числом фотографических снимков ФАГД, используемых для анализа, то есть количеством реализаций K случайного процесса [Hg(tk)].

Таким образом, для каждого класса патологии можем построить нейросетевую модель, представленную на рис. 6. Параметры каждой из НСПР, входящих в эту модель, определяются в процессе ее обучения.

Процесс обучения ведется отдельно для каждой НСПР, входящей в модель рис.6 путем подбора соответствующей обучающей выборки

,                                                                        (13)

где  k=const, =const, m=var.

Параметр m определяет координаты и размеры окна, параметр - класс исследуемого интереса, параметр k – временную фазу флюоресценции и является постоянным для каждой НСПР, входящей в модель рис. 6.

Настроив соответствующие сигмоиды нейронных сетей для каждого множества (13), получим на выходе нейронных сетей возможные комбинации, которые описывает бинарная матрица, число элементов которой определяется числом фотографий исследуемого изображения, которыми представляется элемент выборки.

Рис. 6. Нейросетевая модель для классификации ФАГД для окна с фиксированными координатами и размером (m=const)

Принимая во внимание то, что на выходе нейронных сетей может присутствовать любой вектор из диапазона 1…2К, а его компоненты не являются бинарными, в задачу агрегатора модели рис.7 входит отнесение этого вектора к одному из двух классов, то есть получение бинарного скаляра Z.

В качестве агрегатора рис. 6 используем нейронную сеть. Имея на входе этой нейронной сети одну из строк бинарной матрицы необходимо определить оператор , который преобразует двоичный вектор в двоичный скаляр, то есть

,                                                                                (14)

где

,                                                                (15)

где NET - операция нейросетевого моделирования, - оператор, формирующий векторы информативных признаков из отсчетов (пикселей) окна интереса {}m, .

Для синтеза оператора используем РБНС. Координаты локальных центров РБНС определяют статистические характеристики выходов НСПР.

В процессе настройки сети входной вектор задается двумя параметрами: - параметр, определяемый искомой патологией; k - параметр, определяемый номером фотографии ФАГД.

После настройки нейронных сетей прямого распространения осуществляется настройка параметров РБНС, которая используется в качестве агрегатора в гибридной нейронной сети (рис. 6).

В результате экспериментальных исследований автоматизированной системы получены количественные результаты диагностики диабетической ретинопатии.

На рис. 7 представлены диаграммы, характеризующие показатели качества диагностики различных стадий ДР у больных СД, полученные посредством разработанной автоматизированной системы, и по результатам диагностики посредством программы EyePacs, которая использовалась в качестве прототипа скрининга ДР.

а)                                                б)

Рис. 7. показатели качества диагностики ДР у больных СД, полученные путем скрининга посредством программы EyePacs (а), и полученные путем скрининга предлагаемой автоматизированной системой  (б): ДЧ - диагностическая чувствительность; ДС - диагностическая специфичность; ДЭ - диагностическая эффективность; 1 – непролиферативная; 2 - препролиферативная; 3 - пролиферативная

 

Анализ результатов проведенных экспериментов (рис.7) показал, что предложенные методы и алгоритмы позволили повысить показатели качества диагностики ДР по основным показателям на 10…15%.

Полученные сравнительные характеристики известных методов диагностики ДР и предлагаемой автоматизированной системы позволяют рекомендовать ее в клиническую практику.

В заключении сформулированы научные и практические результаты исследования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для анализа сложноструктурируемых изображений в автоматизированных системах диагностики диабетической ретинопатии.

В результате выполнения работы получены следующие основные результаты.

1. проанализированы существующие методы и средства сегментации и классификации сложноструктурированных изображений, выявлены их достоинства и недостатки. На основе проведенного анализа предложено в автоматизированных системах диагностики диабетической ретинопатии по результатам морфологического анализа изображений глазного дна использовать интеллектуальные операторы, основанные на нейросетевых моделях и нечеткой логике принятия решений.

2. разработан метод сегментации сложноструктурируемых изображений, предназначенный для автоматизированной системы морфологического анализа изображений глазного дна, построенный на основе градиентной обработки исходного черно-белого изображения, в котором процесс получения бинарного изображения, отражающего морфологическую структуру исходного изображения, разбит на три последовательных этапа: на первом этапе получают векторизованное изображение, на втором этапе получают препарированное векторизованное изображение, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, осуществляемый посредством интеллектуального морфологического оператора.

3. Разработан интеллектуальный оператор формирования границы сегмента, реализованный в виде многослойной нечеткой нейросетевой модели, включающей базу решающих правил и агрегирующие и классифицирующие слои, позволяющий реализовать итерационный процесс активации пикселей границы сегмента, и построен алгоритм его функционирования, включающий процедуру выбора начального пикселя границы сегмента и процедуру определения конца границы сегмента.

4. разработано алгоритмическое и программное обеспечения для автоматизированной системы диагностики диабетической ретинопатии, включающие:

- алгоритм диагностики диабетической ретинопатии на основе автоматизированного анализа морфологических структур изображения глазного дна, обеспечивающий последовательность процедур проверки наличия патологических образований на изображении глазного дна, позволяющий выявить стадии и осуществить дифференциальную диагностику диабетической ретинопатии;

- алгоритмы реализации процедур анализа изображения глазного дна;

-программное обеспечение для реализации алгоритмов  и процедур диагностики диабетической ретинопатии;

- программное обеспечение формирования интерфейсных окон для этих процедур, предназначенных для анализа изображений глазного дна, позволяющее осуществить подготовку изображения для процедур автоматической диагностики патологических образований.

5. разработан метод классификации морфологических образований на флюоресцентных ангиограммах глазного дна, основанный на гибридной технологии нейросетевого моделирования, позволяющий классифицировать патологические сегменты по пространственно-яркостным характеристикам пикселей изображения.

6. Проведенные клинические испытания автоматизированной системы показали, что ее показатели качества при выявлении больных диабетической ретинопатией, в среднем, превосходят на 14% аналогичные системы такого же назначения, что позволяет рекомендовать ее  использование в клинической практике.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ:

Публикации в рецензируемых научных журналах и изданиях

  1. Брежнева, А.Н. Спектральный анализ сегментов изображения глазного дна для количественной оценки сосудистой патологии / А.Н. Брежнева, Р.А. Томакова, С.А. Филист// Биомедицинская радиоэлектроника. 2009. №6. С. 15-18.
  2. брежнева, А.Н. Способ сегментации ангиограмм глазного дна на основе нейросетевого анализа RGB-кодов пикселей / А.Н. брежнева, Р.А. томакова, С.А. Филист // Известия ЮФУ. Технические науки. – Таганрог: Изд-во ТТИ ЮФУ. 2009. №9(98) С.171-176.
  3. брежнева, А.Н. Нейросетевые модели с иерархическим пространством информативных признаков для сегментации плохоструктурированных изображений / А.Н. Брежнева, С.А. Борисовский, Р.А. Томакова// Биомедицинская радиоэлектроника. 2010. №2. С.49-53.
  4. брежнева, А.Н. Нейросетевые модели сегментации ангиограмм глазного дна на основе анализа RGB-кодов пикселей / А.Н. Брежнева, С.А. Борисовский, Р.А. Томакова С.А. Филист//Системный анализ и управление в биомедицинских системах. Том 9. №1. 2010. С.72-76.

Статьи и материалы конференций

  1. брежнева, А.Н. Модель сегментации ангиограмм глазного дна на основе нечеткого анализа RGB-кодов пикселей / А.Н. брежнева, Р.А. томакова // Лазерно-информационные технологии в медицине, биологии и геоэкологии-2009: труды XVII Международной конференции. Новороссийск, 2009. С.88-89.
  2. Брежнева А.Н. Предварительная подготовка изображения глазного дна для исследования на наличие диабетической ретинопатии / А.Н. брежнева // Информационные технологии в медицинских и педагогических исследованиях: материалы международной научно-практической конференции. Часть 1. Курск, 2009. С.40-42.
  3. брежнева, А.Н. Модели сегментации ангиограмм глазного дна на основе нечеткого анализа RGB-кодов пикселей / А.Н. брежнева, Р.А. томакова, С.А. Филист // лазеры. Измерения. Информация. 2009. Том 3. С.281-290.
  4. брежнева, А.Н. Сегментация гистологических структур посредством адаптивных морфологических операторов и пороговой обработки / А.Н. брежнева, С.А. Борисовский, Р.А. Томакова // Физика и радиоэлектроника в медицине и экологии: труды 9-й межд. научн.-техн. конф. с элем. научн. молод. Школы. Владимир, 2010. С.302-304.
  5. брежнева, А.Н. Исследование нейросетевых моделей в среде NERON2 для выделения патологий на фотографиях глазного дна / А.Н. брежнева // Медико-экологические информационные технологии-2010: сборник материалов XIII Международной конференции.. Курск: Юго-Зап. Гос. ун-т, 2010. С. 228-233.
  6. брежнева, А.Н. Морфологический анализ плохоструктурированных изображений биоматериалов на основе преобразования Фурье границ сегментов и нейросетевого моделирования / А.Н. брежнева, Р.А. томакова, С.А. Филист // Лазерно-информационные технологии в медицине, биологии и геоэкологии-2010: труды XVIII Международной конференции. Новороссийск, 2010. С.76-78.
  7. брежнева, А.Н. Способ сегментации изображений с использованием локальной обработки на основе нейросетевого моделирования / А.Н. брежнева С.А. Филист, Р.А. Томакова // Инновационные технологии управления здоровьем и долголетием человека: материалы I Международной научно - практической конференции: статьи и тезисы.  Санкт-Петербург, 2010. с. 66 – 70.
  8. Емельянов, С.Г. Структура гибридной нейронной сети для анализа флюоресцентных ангиограмм глазного дна / С.Г. Емельянов, Р.А. Томакова,  А.Н. брежнева//  Интегративные процессы в науке – 2011: сб. материалов Международной научно-технической конференции. Курск: ЮМЭКС, 2011. С.34-39.
  9. Томакова, Р.А. Спектральные методы идентификации плохоструктурированных объектов / Р.А. Томакова, А.Н. Брежнева, Н.А. Швецова//Лазерно-информационные технологии в медицине, биологии и геоэкологии 2011: труды XIX Международной конференции. Новороссийск, 2011. С.82-83
  10. брежнева, А.Н. Алгоритмы управления диагностическими процедурами в автоматизированной системе анализа изображений глазного дна / А.Н. брежнева //Медико-экологические информационные технологии-2011: сборник материалов XIV Междунар. Научн.-техн. конф. Курск: Юго-Зап. гос. ун-т, 2011. С. 43-48.

Подписано в печать 20. 03. 2012 г. Формат 60×84 1/16.

Печатных листов 1,1. Тираж 120 экз.  Заказ № 14.

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.