Содержание к диссертации
Введение
Глава 1. Аналитический обзор и постановка задач исследования 14
1.1. Современные представления об этиологии и патогенезе сосудистых заболеваний сетчатки 14
1.1.1. Инволюционные и атеросклеротические изменения сосудов сетчатой оболочки 15
1.1.2. Орган зрения при артериальной гипертонии 17
1.2. Использование автоматизированных систем поддержки принятия решений в офтальмологии 20
1.3. Классифицирующие модели на основе анализа центральной линии кровеносного сосуда 25
1.4. Цель и задачи исследования 34
Глава 2. Формирование признакового пространства на основе спектрального анализа центральных линий сосудов в задачах классификации патологических изменений структуры сосудистой системы глазного дна 36
2.1. Разработка метода математического моделирования центральной линии кровеносного сосуда на основе морфологической обработки бинарных изображений 36
2.2. Исследования методов спектрального представления контуров минимальной толщины 46
2.3. Метод формирования пространства информативных признаков на основе дескрипторов Фурье при анализе сосудов на изображении глазного дна 54
2.4. Выводы второй главы 63
Глава 3. Разработка и исследования сетевых технологий, предназначенных для выделения сосудов па фотографиях глазного дна 66
3.1. Разработка универсальной сетевой структуры для задач двухальтернативной классификации 66
3.2. Структура решающих модулей сетевых моделей 76
3.2.1. Структура первого решающего модуля 78
3.2.2. Структура второго решающего модуля 86
3.3. Алгоритмическое и программное обеспечение моделирования решающих модулей 90
3.4. Выводы третьей главы 99
Глава 4. Реализация и результаты экспериментальных исследований 101
4.1. Структура автоматизированной системы поддержки принятия решений врача офтальмолога 101
4.2. Экспериментальные исследования эффективности классификации извилистости сосудов сетчатки 104
4.3. Нейронные сети с макрослоями для классификации и прогнозирования сосудистой патологии глазного дна 108
4.4. Формирование нелинейных отображений на входах слоев НМС для диагностики и прогнозирования тромбоза центральной вены сетчатки и ее ветвей 112
4.5. Оценка эффективности правил прогнозирования и диагностики степени тяжести тромбозов центральной вены сетчатки и ее ветвей 119
4.6. Выводы четвертой главы 122
Заключение 124
Библиографический список 127
- Использование автоматизированных систем поддержки принятия решений в офтальмологии
- Метод формирования пространства информативных признаков на основе дескрипторов Фурье при анализе сосудов на изображении глазного дна
- Алгоритмическое и программное обеспечение моделирования решающих модулей
- Формирование нелинейных отображений на входах слоев НМС для диагностики и прогнозирования тромбоза центральной вены сетчатки и ее ветвей
Введение к работе
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.
Использование автоматизированных систем поддержки принятия решений в офтальмологии
Анализ современного состояния применения средств вычислительной техники и информационных технологий в медицинских учреждениях различного профиля позволяет сделать вывод, что у нас в стране и за рубежом эксплуатируется и разрабатывается большое количество моделей, методов и систем, применяющихся при решении задач поддержки принятия решений врачей различных специальностей, включая офтальмологию.
Учитывая большую сложность задач, решаемых в офтальмологии, связанных с обработкой изображений, с последующим принятием решений в условиях нечеткого представления видеообразов, в качестве основного инструментария целесообразно использовать меюдологию искусственного интеллекта, реализуемую соответствующими экспертными системами [1, 40, 79, 80, 97, 107, 108, 109, 1221.
Классическим примером реализации экспертной системы для офтальмологии является программа CASNET, предназначенная в основном для постановки диагноза при заболевании глаукомой Ц07]. Здесь болезнь представляется не так как статическое состояние, а как динамический процесс, который моделируется в виде сети причинно-связанных патофизиологических состояний (узлы сети представляют собой состояние системы, дуги каузальные отношения). При разработке CASNET принят подход «снизу-вверх», при котором общая стратегия сводится к поиску одного или нескольких каузальных маршрутов между патофизиологическими состояниями. При эюм сеанс постановки диагноза начинается с вопроса, задаваемого системой клиницисту о симптомах пациента. После ввода соответствующего сообщения состояниям присваиваются значения «подтверждено», «опровергнуто» или «неизвестно». Эти значения, совместно со значениями показателей доверия при каузальных дугах и весовых показателей, связанных с ограничениями наблюдений, используются при вычислении показателей доверия для каждого патофизиологического состояния. Считается, что состояние «подтверждено», если значение его показателя доверия превышает некоторый порог, и «опровергнуто», если значение его показателя оказывается ниже порога. Порядок задаваемых вопросов будет зависеть от значения параметра, определяющего стоимость собираемых показаний.
Как только в систему CASNET введены все «наблюдения», первым делом производится интерпретация хода заболеваний с обращением к слою патофизиологических состояний. Поскольку заболевание представляется в виде каузальной сети, то наиболее вероятная причина болезни пациеніа задается в качестве «стартового состояния» в сети, от которого намечаются маршруты, пересекающие наибольшее число подтвержденных узлов (и ни одного отвергнутого узла). Если будет обнаружено не одно такое стартовое состояние, то значения вероятностей вычисляются для каждого из них и выбирается состояние с наибольшим весом. Если же какое-либо начальное состояние не может породить маршруты, пересекающие все подтвержденные состояния, то производится поиск других дополнительных путей через оставшиеся подтвержденные состояния.
Примененный в системе CASNET подход «на основе каузальной модели» имеет существенное преимущество перед продукциями, поскольку представление в явном виде процесса заболевания с использованием «слоя патофизиологических состояний» дает возможность применять эту систему для отслеживания состояния пациента в процессе развития заболевания. Отсюда вытекает, что данная модель может служить для анализа реакции пациента на лечебные средства, давать оценку возможным лечебным мероприятиям и в качестве метода исследования и оценки альтернативных причин заболевания. Каузальные маршруты, заканчивающиеся на подтвержденном узле, предоставляют исчерпывающее объяснение диагноза для данной позиции, а неподтвержденные узлы указывают на возможный характер развития заболевания в будущем.
Разработчики и пользователи этой системы утверждают, что хотя система в основном применяется для диагностики глаукомы, она универсальна в части организации представления знаний и процедур принятия решений, которые применимы для диагностики и других заболеваний.
Примером медицинской приборно-компьютерной системы, обрабатывающей изображение глаза, является комплекс для осуществления иридодиагностики, разработанный в ЦНИИ «Комета» (г. Москва). Комплекс предназначен для распознавания болезней по изменениям радужной оболочки глаза. В состав комплекса входят персональный компьютер со встроенным видеотерминалом, система ввода и записи видеоинформации, фоторегистратор, устройство для ввода изображений со слайдов, устройство для иридоскопии и анализа глазного дна. Эта экспертная система позволяет производить раннюю доклиническую диагностику, оценивать сопротивляемость организма и его предрасположенность к различным типам заболеваний.
Анализ известных аппаратов, систем и комплексов, применяемых в офтальмологии, показывает, что номенклатура этих средств весьма ограничена и не все они позволяют с достаточно высоким качеством производить диагностику состояния сосудистой патологии сетчатки глаза.
Развитие систем оценки и коррекции сосудистых форм патологии сетчатки в настоящее время связано в основном с совершенствованием систем получения и обработки информации цифровых изображений глазного дна достаточно высокого качества («Carel-Zeiss Jena Retinophot 210», «Topcon Imagenet», «Ophthalmic Imaging Systems»).
Существенным недостатком перечисленных и подобных систем является то, что программное обеспечение содержит лишь наиболее общеупотребимыс средства обработки не решая задач диагностики типов и стадий заболеваний и не обеспечивая выработку рациональных планов терапии.
Для проведения количественного анализа состояний кровотока и его динамических параметров в офтальмологической практике используется доплеровская ультрасонография [112], лазерная доплерометрия [120], вслосиметрия [123]. В основе этих методов лежит принцип измерения линейной скорости кровотока, который при одновременном измерении сечения сосуда позволяет определить объемный кровоток.
В работе [11] описан диагностический комплекс, решающий задачи диагностики состояния сосудов глазного дна по комплексу специально рассчитываемых параметров: средний диаметр сосуда (в пикселях); отклонение от прямолинейности, определяемое как отношение длины трассы к длине прямой, соединяющей начальную и конечную точки; четкообразность, определяемая как отношение среднеквадратического отклонения толщины сосуда к ее среднему значению (в %); амплитуда колебания толщины, характеризующая степень отклонения хода стенок сосуда от прямой линии (в пикселях); частота колебания толщины, характеризующая количество изменений направления стенки сосуда на единицу его длины (обратные пиксели); амплитуда колебаний трассы определяет степень отклонения хода трассы от прямолинейного (в пикселях); частота колебания трассы определяет количество изменений направления трассы на единицу длины сосуда (обратные пиксели); извилистость толщины и извилистость трассы определяется как произведение соответствующих амплитуды и частоты; угол разветвления сосудов.
Полученные в ходе измерений данные сравниваются с диагностическими эталонами, полученными на обучающих выборках. В работе [11] показана диагностическая эффективность предлагаемой системы для диагностики диабетической ретинопатии.
Для технической реализации системы использован ретинофот Carel-Zciss RCS310, с адаптированной к нему цифровой фотокамерой Nicon Coolpix 950, ПЭВМ с процессором не ниже 486DX2-66.
В работе [100] описана система диагностики сосудистых заболеваний глаза, использующая оригинальную программу «Glaz-grafic», позволяющую: считывать сканированное изображение; пересчитывать пиксели, отбрасывая черные; строить уточненную гистограмму и рассчитывать параметры дескриптивной статистики (математическое ожидание, моду, асимметрию, эксцесс, интегральное отклонение). Гистограмма исследуется по трем основным цветам и по яркости.
В состав системы входят модифицированный персональный компьютер на базе процессора Intel Pentium III с 24-разрядной видеоплатой, сканер для пленки 35 мм /IX 240 COOLSCAN IV ЕД, проявочная машина FP 272 и фундус камера TRC-FET.
Метод формирования пространства информативных признаков на основе дескрипторов Фурье при анализе сосудов на изображении глазного дна
Для того, чтобы система распознавания была адекватна решаемой задачи, необходимо, чтобы частотный диапазон, соответствующий дескриптору Фурье с определенным номером, не зависел от числа отсчетов в контуре, спектр которого вычисляется. Так как в различных контурах, определяющих границы сегмента, содержится различное число отсчетов, то при формировании информативных признаков из спектральных отсчетов они должны соответствовать одним и тем же частотным диапазонам. При одинаковой частоте дискретизации и различных количествах отсчетов в контурах это требование нарушается. Дополнительные отсчеты можно получить в результате интерполирования замкнутой кривой, соответствующей контуру. Но в нашем случае такой путь неприемлем, так как контур дискретизирован с предельной частотой дискретизации, то есть один пиксель.
В связи с вышеизложенным, был предложен следующий метод формирования пространства информативных признаков. На первом этапе задаем общее число отсчеіов в контурах, которое должно бьпъ одинаковым для всех контуров контрольных и обучающих выборок. Это число определяется по результатам статистических исследований микроскопических фотографий сосудов глазного дна. Анализ контуров минимальной толщины, полученных по офтальмологическим и флюоресцептно-аногиографическим изображениям глазного дна, показал, что число отсчетов (пикселей) в контурах колеблется от от 500 до 3000. Для того, чтобы иметь возможность сравнивать дискретные отсчеты частот, соответствующие разным контурам, необходимо, чтобы контуры имели одно и тоже количество отсчетов (априорно полагается, что частота дискретизации у них одинакова и равна единице, то есть один пиксель). Чтобы выровнять число отсчетов в выборке анализируемых контуров, необходимо довести число отсчетов в каждом контуре до максимального в выборке. Это можно осуществить путем многократного обхода контура, то есть его периодического продолжения до тех пор, пока число отсчетов не достигнет максимума по выборке или максимально приблизится к нему. Однако такой способ выравнивания отсчетов в выборке требует, чтобы в выборке все контуры имели кратное число отсчетов. Практически это не реализуемое требование. Можно задать число отсчетов значительно больше, чем максимальное в выборке, например в десять раз, и тогда энергия спектра, связанная с ложными гармониками, значительно уменьшится. Но такое техническое решение приведет к затягиванию вычислительного процесса при работе в интерактивном режиме, который предусматривает вычисление спектра контуров при различных значениях настраиваемых параметров.
Известно, что интерполяции в пространстве сигналов соответствует увеличению полосы частот, занимаемой сигналом, в спектральной области [31]. Следовательно, если заполнить высокочастотную часть спектральной полосы нулями и тем самым довести число отсчетов в спектре каждого контура границы сегмента до 3000, то в пространстве сигналов появятся виртуальные отсчеты между реальными отсчетами.
Таким образом, первый этап реализует следующую цепочку преобразований: Л спектр— дополнение нулями спектральных отсчетов до /С,„аї—юбратное преобразование.
Однако характерной особенностью дескрипторов Фурье является то, что их амплитуда связана с частотой. Поэтому любые частотные морфизмы в реальном сигнале приводят к амплитудным изменениям спектральных составляющих. Критерием адекватности любых морфизмов в частотной области служит обратное преобразование Фурье и соответствующие различия между прямым и обратным преобразованием Фурье. Примеры, связанные с соответствием между преобразованием частоты и амплитуды сигнала, приведены в [31].
Согласно этим примерам, при увеличении площади под кривой, соответствующей преобразуемому сигналу, увеличивается число нулевых отсчетов во столько же раз, а также во столько же раз увеличиваются сами спектральные составляющие.
Таким образом, на втором этапе необходимо все спектральные составляющие в спектре /-го контура умножить на величину Kmax/Kj , где Ктах=3000, К, - количество отсчетов в 1-м контуре.
На рис.2.16 показаны спектры контура (показан в левом верхнем углу рисунков), до (а) и после модификации в спектральной области (б).
На рис. 2.17, а показаны графики параметрических кривых х = /,(/) и У-ІгіОь соответствующие исходному и восстановленному по 51 дескриптору изображению, а на рис. 2.17, б показаны те же самые кривые, но соответствующие модифицированному спектру изображения. Рисунки а и б отличаются только масштабом. Масштаб по оси абсцисс увеличивался в 2,8 раза, в таком же соотношении увеличился масштаб по оси ординат на рис. 2.16, б.
Третий этап - оптимизация числа используемых дескрипторов. Для оптимального выбора числа анализируемых дескрипторов (под оптимальностью здесь понимается минимизация их числа) необходимо осуществить обратные преобразования Фурье модифицированного спектра контура и сравнить его с исходным контуром.
Учитывая, что преобразование Фурье обратимо, по дескрипторам Фурье можно восстановить границы контура исследуемого сегмента, используя уравнение (2.27). В любом случае, для восстановления контура используются столько дескрипторов, сколько было получено отсчетов на контуре.
Если часть дескрипторов приравнять к нулю, то, при использовании нейросетевой классификационной модели, узлы входного слоя нейронной сети, соответствующие этим дескрипторам, можно исключить, что приводит к значительному упрощению модели принятия решения.
На рис. 2.18 показаны результаты контрольного сравнения исходного контура (рис.2.18, а) с двумя восстановленными по пяти дескрипторам (рис.2.18, 6) и по 99 дескрипторам (рис.2.18, в).
Более толстые линии восстановленных контуров на рисунках справа, по сравнению с исходным (левым) рисунком объясняются тем, что каждой точке контура на рис. 2.18, а соответствует несколько точек, расположенных на рис. 2.18,6 и е.
Чтобы оценить информационные потери при приравнивании к нулю части дескрипторов, необходимо сравнить по определенному критерию исходный контур и контур, восстановленный по ограниченному набору дескрипторов. С этой целью представим контур двумя параметрическими кривыми (2.21) и (2.22). После перехода от К дескрипторов к М дескрипторам (М К), можем также получить параметрические кривые, отражающие геометрию границы сегмента Определение координат к осуществляется посредством установки маски размером 3x3 (или 4x4) в пиксель к таким образом, чтобы пиксели, попавшие в маску, лежали на контуре. Пиксель к принадлежит маски и является ближайшим к нормали, восстановленной из пикселя к к граничной кривой, что иллюстрирует рис. 2.20.
При отсутствии ошибки площадь 5 =1. Если уравнение (2.26) применить к исходному контуру, то оно станет условием того, что контур принадлежит к классу контуров минимальной толщины.
Алгоритмическое и программное обеспечение моделирования решающих модулей
Для реализации сетевой модели классификации пикселей на изображении глазного дна при сосудистой патологии, структурная схема которой представлена на рис.3.5, были разработаны соответствующие алгоритмическое и программное обеспечения, которые ориентированы на интерактивный режим работы. Укрупненная схема алгоритма формирования сетевой модели для классификации пикселей на изображении глазного дна показана на рис.3.14. В блоках 1 и 2 формируются обучающие выборки для первого и второго решающих модулей, соответственно.
Для формирования обучающих выборок используется интерфейсное окно, показанное на рис. 3.15. В программном модуле «Цифровая обработка изображений» (оригинальный программный продукт разработан в среде MATLAB на кафедре БМИ ЮЗГУ) открывается файл с изображением глазного дна, по которому получают обучающую выборку. Для получения векторов информативных признаков обучающей выборки необходимо выбрать путь «Методы обработки изображений» —» «Сегментация изображений» — «Создание ТЭД».
Затем в раскрывающемся окне задается путь и имя фала с экспериментальными данными. После нажатия кнопки «Сохранить» раскрывается окно с файлом .txt в которое с помощью «мыши» переносятся параметры пикселей с изображения глазного дна, находящегося в окне «Цифровая обработка изображений в среде MATLAB». Для каждого элемента выборки отводится отдельная строка, в которой последовательно записываются координаты пикселя и его RGB -коды. На рис. 3.16 показано интерфейсное окно для переноса атрибутов пикселей в файл данных .txt.
Обучающая выборка может создаваться по нескольким изображениям. Для этого программное обеспечение позволяет либо объединить несколько файлов данных, полученных на разных изображениях при одной и той же интенсивности освещения, либо дополнять уже существующий файл экспериментальных данных атрибутами пикселей другого изображения.
Ранжирование уровня освещенности области интереса изображения определяется на экспертном уровне. Для объективности принятых решений у эксперта имеется возможность перейти от цветного изображения к градациям серого и оценить яркость соответствующих участков изображения в числовой форме. Тем не менее, классификация уровня освещенности является нечеткой, поэтому каждый класс для конкретного пикселя оценивается числом, характеризующим степень уверенности принадлежности уровня освещенности в окрестности анализируемого пикселя к заданному классу, которое лежит в диапазоне от нуля до единицы.
В блоке 2 рис. 3.14 осуществляется формирование обучающих выборок для второго решающего модуля. Вектор информативных признаков, который является элементом обучающей выборки, получают посредством анализа RGB-кодов пикселей, попавших в некоторое окно прямоугольной формы. Принцип формирования такого окна и определения его параметров иллюстрирует рис.3.8.
Как было указано ранее, второй решающий модуль классифицирует уровень освещенности в окрестности анализируемого пикселя на три класса. В верхней части рис. 3.17 представлены интерфейсные окна с изображениями глазного дна, на которых показаны прямоугольные окна, дислокации которых соответствуют трем различным классам уровня освещенности. Яркостной характеристикой окна являются его гистограммы яркости, которые показаны в нижней части рис.3.17. Каждая гистограмма состоит из 11 элементов, которые используются в качестве информативных признаков на входе нейронной сети прямого распространения. На вход нейронной сети одновременно подаются элементы трех гистограмм, соответствующие RGB-кодам пикселей.
Файлы данных для второго решающего модуля могут быть получены так же, как и файлы для первого решающего модуля, то есть способом переноса с помощью мыши информативных признаков, описывающих выделенное окно, в файл данных .txt.
Кроме этого способа предлагается способ, позволяющий автоматически формировать файлы базы данных, но для этого необходимо получить изображение, все пиксели которого относятся к одному и тому же классу уровня освещенности. Такое изображение получают в окне «Цифровая обработка изображений в среде MATLAB» выбрав следующий путь: «Изображение» —» «Выделение фрагмента» (см. рис.3.7). Для формирования соответствующего файла данных выбирается режим «Изображение» —» «Режим скользящего окна» (см. рис.3.7) и на изображение наносится прямоугольное окно, статистические характеристики которого необходимо получить.
После этого выбирается путь: «Методы обработки изображений» —» «Сегментация изображений» — «Формирование фона» — «Для изображения». При этом вызывается программа, в результате выполнения которой в файл данных заносятся статистические характеристики окон для всех пикселей изображения.
В блоке 3 рис.3.14 осуществляется формирование нелинейных отображений для первого решающего модуля.
Структуру нелинейных отображений представим в виде матроидра, показанного на рис.3.18.
Формирование нелинейных отображений на входах слоев НМС для диагностики и прогнозирования тромбоза центральной вены сетчатки и ее ветвей
Нейронные сети в макрослоях имеют структуру, предложенную в разделе 3.2.1, которая предполагает наличие нелинейных отображений в первом скрытом слое. Нелинейные отображения определяются для каждого из компонентов анализируемого вектора информативных признаков по диагностируемому заболеванию ш . В качестве примера рассмотрим нелинейные отображения для НСМ, предназначенной для диагностики тромбоза центральной вены сетчатки и ее ветвей (ТЦВСиВ).
В результате дополнительного разведочного анализа и экспертного оценивания были получены нелинейные отображения для a R, соответствующего ТЦВСиВ, для информативных признаков систолического Рс и диастолического Рд давления.
Эти нелинейные отображения представлены на рис. 4.5 и рис.4.6, соответственно.
При определении риска ТЦВСиВ от фактора атеросклероз сосудов головного мозга при формировании шкалы SAT была выбрана следующая ее градация:
1 - неврастеноподобные явления, постоянное головокружение, снижение памяти на текущие события;
2 - почти постоянный шум в голове, головокружение, плаксивость, вязкость мышления, снижение критики;
3 - грубые нарушения памяти, повторные церебральные кризы, деменция.
Нелинейное отображение к классу ТЦВСиВ по фактору риска атеросклероз сосудов головного мозга по выбранной системе градаций приведена на рис. 4.7.
По группе признаков опрос были выделены следующие факторы риска ТЦВСиВ: затуманенность зрения; время нарастания признака «затуманенность»; время сохранения признака «затуманенность» от момента манифестации.
В качестве информативных признаков по этим факторам риска были выбраны: площадь выпадения или снижения остроты зрения при жалобах на «затуманенность» в процентах от площади периферического поля зрения в норме - S}K; время нарастания затуманенности в часах - SH3; длительность сохранения признака «затуманенность» от момента манифестации в месяцах - Бдз
Графики соответствующих нелинейных отображений приведены на рис. 4.8-4.10.
По группе признаков, получаемых в результате осмотра и инструментальных методов исследования, были выделены следующие факторы риска: некоррегируемая острота зрения в условных единицах (visus) с базовой переменной функции принадлежности Svis; площадь гиперемии (кровоизлияний) диска зрительного нерва (ДЗН) в % от площади ДЗН в норме с базовой переменной - Snr; смазанность границ ДЗН с базовой переменной SCT, определяемой по шкале наименований (0 - четкие, 1 - размытость определяется с трудом, 2 - размытые, 3 - сильно размытые, 4 - границы определяются с трудом); увеличение размеров ДЗН с базовой переменной SyP, определяемой как отношение диаметра ДЗН при тромбозах к диаметру ДЗН в норме; взаимодействие со стекловидным телом (кровоизлияния) с базовой переменной SeCK, определяемой как отношение площади кровоизлияний к площади ДЗН; взаимодействие со стекловидным телом — проминация с базовой переменной Secn, определяемой в миллиметрах.
Графики соответствующих функций принадлежности приведены на рис. 4.11 -4.41.
По полученным нелинейным отображениям для класса ТЦВСиВ в соответствии с разработанным методом настроена нейронную сеть для прогнозирования и диагностики этого заболевания и его стадий.
