Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Гибридные методы и алгоритмы для интеллектуальных систем классификации сложноструктурируемых изображений

Диссертация: Гибридные методы и алгоритмы для интеллектуальных систем классификации сложноструктурируемых изображений
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Тем не менее, существует ряд проблем, связанных с классификацией изображений, которые не решены в настоящее время. Для успешной классификации изображений необходима априорная информация о структуре и свойствах мира. Однако многие факторы (деформация формы, перекрытие, переход от ЗО-сцен к 2Б-изображениям и т. п.) снижают ценность априорных данных и затрудняют семантическую сегментацию… Читать ещё >

Содержание

  • ГЛАВА 1. МЕТОДЫ И СРЕДСТВА КЛАССИФИКАЦИИ СЛОЖНЫХ ОБЪЕКТОВ НА ОСНОВЕ АНАЛИЗА С ЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЙ
    • 1. 1. Сложные объекты и методы их описания
    • 1. 2. Математические модели изображений
    • 1. 3. Анализ методов и алгоритмов сегментации сложноструктурируемых изображений
      • 1. 3. 1. Сегментация на основе пороговой обработки
      • 1. 3. 2. Методы сегментации, основанные на кластеризации
      • 1. 3. 3. Методы сегментации, основанные на градиентных операторах
      • 1. 3. 4. Сегментация с помощью модели
    • 1. 4. Математическая морфология и обработка изображений
    • 1. 5. Процедуры и методы классификации изображений
    • 1. 6. Цели и задачи исследований
  • ГЛАВА 2. ИНТЕЛЛЕКТУАЛЬНЫЕ ОПЕРАТОРЫ ДЛЯ
  • СЕГМЕНТАЦИИ СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЙ
    • 2. 1. Обобщенный алгоритм сегментации сложноструктурируемых изображений
    • 2. 2. Синтез морфологического оператора для препарирования изображения ?
    • 2. 3. Нечеткая модель формирования бинарного изображения границы сегмента
    • 2. 4. Выводы второй главы
  • ГЛАВА 3. МЕТОДОЛОГИЯ СПЕКТРАЛЬНОГО ОПИСАНИЯ 8?
  • КРИВЫХ СЛОЖНОЙ ФОРМЫ
    • 3. 1. Метод морфологической обработки бинарных изображений
    • 3. 2. Исследования методов спектрального представления контуров минимальной толщины
    • 3. 3. Выбор и оптимизация числа используемых дескрипторов Фурье при анализе границ сегментов сложноструктурируемых изображений
    • 3. 4. Выводы третьей главы
  • ГЛАВА 4. РАЗРАБОТКА И ИССЛЕДОВАНИЯ СЕТЕВЫХ ТЕХНОЛОГИЙ, ПРЕДНАЗНАЧЕННЫХ ДЛЯ КЛАССИФИКАЦИИ СЕГМЕНТОВ НА СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЯХ
    • 4. 1. Разработка универсальной сетевой структуры для задач двухальтернативной классификации
    • 4. 2. Нейросетевые структуры для сегментации изображений по параметрам пикселей и их окрестностей
      • 4. 2. 1. Структура первого решающего модуля
      • 4. 2. 2. Структура второго решающего модуля
    • 4. 3. Алгоритмическое и программное обеспечение моделирования решающих модулей
    • 4. 4. Выводы четвертой главы
  • ГЛАВА 5. РАЗРАБОТКА АЛГОРИТМОВ ИДЕНТИФИКАЦИИ СЕГМЕНТОВ НА ИЗОБРАЖЕНИЯХ МАЗКОВ ПЕРИФЕРИЧЕСКОЙ КРОВИ
    • 5. 1. Алгоритм измерения межклеточных соотношений в периферической крови
    • 5. 2. Модуль анализа цветного изображения сегмента
    • 5. 3. Модуль анализа сегментов черно-белого изображения
    • 5. 4. Структура базы данных для настройки модуля принятия решений
    • 5. 5. Программное обеспечение интеллектуальной системы классификации форменных элементов крови
      • 5. 5. 1. Общая структура программного обеспечения
      • 5. 5. 2. Программный модуль сегментации микроскопических изображений мазков крови
      • 5. 5. 3. Программный модуль для классификации форменных элементов крови
      • 5. 5. 4. Схема формирования файлов обучающих выборок
      • 5. 5. 5. Алгоритм формирования интегрированных моделей решающих модулей для классификации форменных элементов крови
    • 5. 6. Экспериментальные исследования разработанной системы анализа микроскопических изображений форменных элементов крови
    • 5. 7. Выводы пятой главы
  • ГЛАВА 6. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ АНАЛИЗА СЛОЖНЫХ ОБЪЕКТОВ И СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЙ В ОФТАЛЬМОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ
    • 6. 1. Структура автоматизированной системы поддержки принятия решений врача-офтальмолога
    • 6. 2. Экспериментальные исследования эффективности классификации извилистости сосудов сетчатки
    • 6. 3. Нейронные сети с макрослоями для классификации и прогнозирования сосудистой патологии глазного дна
    • 6. 4. Формирование нелинейных отображений на входах НСМ для диагностики и прогнозирования тромбоза центральной вены сетчатки и ее ветвей
    • 6. 5. Оценка эффективности правил прогнозирования и диагностики степени тяжести тромбозов центральной вены сетчатки и ее ветвей
    • 6. 6. Разработка нейросетевых моделей принятия решений по результатам анализа фотографий флюоресцентных ангиограмм глазного дна
    • 6. 7. Экспериментальные исследования качества сегментации изображения глазного дна при различных видах патологий
    • 6. 8. Экспериментальные исследования автоматизированной системы анализа изображений сетчатки глаза диагностики диабетической ретинопатии
    • 6. 9. Выводы шестой главы

Гибридные методы и алгоритмы для интеллектуальных систем классификации сложноструктурируемых изображений (реферат, курсовая, диплом, контрольная)

Актуальность исследования. Многие направления науки, техники и производства в значительной степени ориентируются на развитие систем, в которых информация представлена в виде изображений. При обработке такой информации возникает ряд сложных научных, технических и технологических проблем. Одной из самых сложных из них на сегодняшний момент являются анализ и распознавание изображений. О важности этой проблемы говорит тот факт, что исследования по распознаванию образов, анализу изображений и речи включены в перечень приоритетных направлений развития науки и техники и критических технологий федерального уровня.

В настоящее время интенсивно развиваются интеллектуальные системы, предназначенные для описания формы анализируемых изображений или выделения из них метрической или семантической информации. Анализ семантики является вершиной иерархической процедуры обработки изображений, сложность которой связана с тем, что изначально эта процедура решает нечеткую задачу.

Решению проблемы анализа и распознавания изображений посвящены работы отечественных и зарубежных ученых, среди которых следует выделить работы Д. Балларда, Е. Дэвиса, Р. Гонсалеса, Ю. И. Журавлева, В. А. Сойфера, Ж. Серра, Д. Марра, А. Демпстера, Г. Шафера, М. Павель, Ю. П. Пытьева, Я. А. Фурмана, Л. П. Ярославского. За последние десятилетия создано множество успешных систем машинного зрения, в которых в тех или иных сочетаниях используются разработанные ими парадигмы и подходы.

Тем не менее, существует ряд проблем, связанных с классификацией изображений, которые не решены в настоящее время. Для успешной классификации изображений необходима априорная информация о структуре и свойствах мира. Однако многие факторы (деформация формы, перекрытие, переход от ЗО-сцен к 2Б-изображениям и т. п.) снижают ценность априорных данных и затрудняют семантическую сегментацию изображения, при которой каждый сегмент рассматривается как объект определенного класса. В итоге, изображение имеет альтернативные структуры, решение по выбору одной из которых не может быть принято однозначно, основываясь на принятой картине мира. Определим этот класс изображений как сложноструктурируемые. Следовательно, если изображение является сложноструктурируемым, то это ведет к значительному снижению качества его классификации или классификации его сегментов посредством обучаемых классификаторов.

Сложноструктурируемому изображению характерно искажение границ сегментов и появление ложных сегментов, а также наличие древовидных структур. Поэтому использование известных локальных градиентных операторов выделения границ и оконтуривающих морфологических операторов не дает ожидаемого эффекта в связи с тем, что они привязываются к априорно заданной картине мира и не анализируют локальные результаты принятого решения и многоальтернативные решения.

В настоящее время научно-техническое направление классификации сложноструктурируемых изображений активно развивается, в последнее десятилетие предложены методы определения дескрипторов изображений и их сегментов, позволяющие построить признаковые пространства, устойчивые к ряду аффинных преобразований, шуму, изменению в освещении: SIFT (Scale Invariant Feature Transform), SURF (Speeded Up Robust Features), PCA-SIFT (PCA — Principal Component Analysis) и т. д. Но эти дескрипторы предназначены для работы в интеллектуальных системах поиска аналогичных и подобных изображений, а не в системах классификации. В настоящее время для классификации успешно применяются алгоритмы, например, такие как Bagging и Boosting, основанные на использовании множества базовых классификаторов с последующей агрегацией их решений, направленной на снижение ошибок первого и второго рода. Использование этих алгоритмов предполагает наличие больших объемов выборок, позволяющих осуществить настройку множества классификаторов. Однако существует достаточно большой класс сложноструктурируемых изображений, для которых обеспечить необходимый объем обучающей выборки принципиально невозможно. Это, в частности, относится к медицинским изображениям, где эти ограничения обусловлены наличием сочетанной патологии и сложностью экспериментов на живых объектах. В этом случае для классификации целесообразно использовать методы и алгоритмы, основанные на различных парадигмах, что позволяет построить гибридные модели классификации, которые используют как методы обучаемых систем распознавания образов, так и методы экспертного оценивания. Гибридные модели целесообразно использовать и в случае иерархической семантической классификации, когда для окончательной классификации необходимо учитывать не только класс сегмента, но и его геометрические характеристики и масштаб.

В качестве обучаемых систем классификации изображений в настоящее время наиболее часто используются искусственные нейронные сети. Однако известные структурно-функциональные решения для искусственных нейронных сетей не могут быть эффективно использованы при анализе и классификации сложноструктурируемых изображений ввиду ограниченности объемов обучающих выборок и высокой степенью пересечения классов в признаковом пространстве. Ограниченность объема обучающей выборки компенсируется посредством использования методов экспертного оценивания, основанных на нечетком логическом выводе. Но в случае классификации сложноструктурируемых изображений использование этих методов не приводит к приемлемому результату из-за того, что методология нечеткого вывода слабо адаптирована под задачи классификации. Поэтому отсутствие методов и алгоритмов разработки гибридных классификаторов сложноструктурируемых изображений является серьезной проблемой, затрудняющей и замедляющей разработку новых приложений и практических систем в области компьютерного зрения. В связи с этим возникает проблемная ситуация, связанная с противоречием между возможностями современной компьютерной и оптико-электронной техники и недостаточностью теоретической базы при ее использовании в системах классификации, основанных на анализе сложноструктурируемых изображений.

Указанное противоречие определяет постановку и решение актуальной проблемы повышения качества анализа и классификации сложноструктурируемых изображений на основе гибридных методов классификации при ограничениях на объемы обучающих выборок и высоком уровне пересечения классов в пространстве информативных признаков.

Объект исследования. Интеллектуальные системы анализа данных и поддержки принятия решений.

Предмет исследования. Методы, модели и алгоритмы для интеллектуальных систем сегментации и классификации сложноструктурируемых изображений.

Целью диссертационной работы является развитие методологии классификации сложноструктурируемых изображений на основе гибридных сетевых структур как средств унифицированного подхода к семантическому анализу яркостно-геометрических моделей изображений.

В соответствии с поставленной целью в работе решаются следующие основные задачи:

— анализ современного состояния методов и средств сегментации и классификации сложноструктурируемых изображений, исследование их критических свойств, поиск новых модификаций и обобщений этих методов, повышающих эффективность принятия решений;

— разработка математических и алгоритмических средств формирования интеллектуальных морфологических операторов, предназначенных для сегментации сложноструктурируемых изображений;

— разработка метода формального описания геометрические свойства сегментов сложноструктурируемых изображений, позволяющего получать адекватные пространства информативных признаков, предназначенных для сетевых моделей их классификации;

— разработка математического и алгоритмического обеспечения для гибридных нейросетевых структур, позволяющих осуществлять анализ и классификацию сложноструктурируемых изображений на основе их яркостно-геометрического описания;

— создание специализированных методов, алгоритмов и программного обеспечения анализа изображений для интеллектуальных систем прогнозирования и диагностики функционального состояния сложных объектов;

— проведение экспериментальных исследований интеллектуальных систем анализа и классификации сложноструктурируемых изображений для оценки релевантности полученных информативных признаков, а также эффективность разработанных информационных технологий при использовании их в интеллектуальных системах поддержки принятия решений по классификации и идентификации функциональных состояний сложных объектов.

Методы и средства исследований. Для решения поставленных задач использовались математический аппарат линейной алгебры, теория вероятностей, аппарат морфологического анализа изображений, теория нейронных сетей и распознавания образов, методология спектрального анализа, теория множеств, методы 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.

Степень достоверности результатов проведенных исследований обеспечивается корректным использованием математического аппарата, соответствием результатов вычислительных экспериментов, выдвигаемым в диссертации положениям и выводам качественного характера, а также результатами практического использования методов, предложенных в диссертации. Работоспособность разработанных методов и алгоритмов подтверждена статистикой обработки большого объема реальных изображений, отсутствием противоречий с известными положениями теории и практики анализа и классификации изображений.

Научную новизну составляют следующие результаты.

1. Метод сегментации сложноструктурируемых изображений, построенный на основе гибридной обработки исходного полутонового изображения, отличающийся тем, что процесс получения бинарного изображения, отражающего морфологическую структуру исходного изображения, разбит на три последовательных этапа: на первом этапе получают градиентное изображение, на втором этапе — препарированное градиентное изображение, а на третьем этапе осуществляют переход к бинарному изображению, отражающему контуры границ сегментов исходного изображения, осуществляемый посредством нечеткой нейросетевой модели.

2. 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.

3. Метод построения математической модели сегмента произвольной формы, основанный на морфологической обработке бинарных или полутоновых растровых изображений, отличающийся тем, что путем использования цепочки, состоящей из четырех морфологических операторов, множество пикселей изображения, описывающих границу сегмента, дополняется до двух непересекающихся подмножеств, границы которых устанавливаются по нижней и верхней границам координат пикселей, входящих в исходное изображение, позволяющий представить изображение произвольной кривой, в том числе и незамкнутой, в виде контура, имеющего формализованную структуру.

4. Метод формирования пространства информативных признаков для нейронной сети, классифицирующей кривую произвольной формы, основанный на определении дескрипторов Фурье соответствующего контура, 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, обусловленной добавлением нулевых отсчетов, 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.

5. Математическое и алгоритмическое обеспечение для проектирования многомодульных сетевых структур, предназначенных для классификации объектов по их полихроматическим изображениям, включающее:

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

— сетевую структуру классификации двухальтернативных данных, включающую два решающих модуля и отличающуюся 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 ас1аИпе, а второй решающий модуль предназначен для управления формой нелинейных отображений в первом скрытом слое первого решающего модуля в зависимости от окружения анализируемого пикселя изображения, позволяющую формировать границу сегмента произвольной формы;

— модель гибридной нейронной сети, отличающуюся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию сегментов по пространственно-яркостным характеристикам пикселей изображения, и последовательно включенной радиально-базисной нейронной сетью, позволяющую классифицировать морфологические образования на растровых сложноструктурируемых изображениях;

— модели нейронных сетей с макрослоями, которые используют для диагностических заключений по группам информативных признаков, получаемых по различным методикам и технологиям.

6. Комплекс алгоритмов для формирования и функционирования многомодульных сетевых структур, предназначенных для анализа сложноструктурируемых изображений, включающий:

— алгоритм функционирования нейронной сети с макрослоями, классифицирующей сегменты цветного изображения, построенный по двухступенчатой схеме, отличающийся тем, что на первой ступени обрабатывают изображение, полученное в результате сегментации исходного полутонового изображения после обработки морфологическим оператором «эрозия», а на второй ступени — изображение, полученное после обработки исходного черно-белого изображения посредством морфологического оператора «дилатация», при этом на каждой ступени решение принимается на основе агрегации двух оценок, полученных в результате анализа цвето-яркостных характеристик сегмента и характеристик формы сегментапри этом на первой ступени завышают число ошибок первого рода, а на второй ступени — число ошибок второго рода, а окончательное решение принимается на основе сопоставления решений, принятых на первой и на второй ступенях обработкиалгоритмы формирования моделей сетевых структур для классификации пикселей на сложноструктурируемом изображении, отличающиеся использованием итерационных процедур настройки решающих модулей и итерационным процессом управления структурой скрытых слоев решающих модулей, входящих в настраиваемую модель, которые позволяют получать модели сетевых структур, удовлетворяющие априорно заданным параметрам качества классификации;

— структуру базы данных обучающих выборок для нейронных сетей с макрослоями, отличающуюся тем, что записи в обучающих выборках распределены по двум уровням, причем для каждой Ь-й выборки 1-е строки (записи) в первом и втором уровнях относятся к одному и тому же сегменту изображения, а атрибуты для ¿—го сегмента Ь-й выборки на втором уровне получены из атрибутов Ь-й выборки /-го сегмента на первом уровне посредством их анализа модулями обработки цветного и черно-белого изображений;

— алгоритм автоматизированного получения интегрированных моделей решающих модулей для классификации сегментов сложноструктурируемых изображений, отличающийся адаптацией классифицирующей модели к анализируемому изображению, осуществляемый, по меньшей мере по двум контурам управления;

— программное обеспечение для формирования сетевых моделей, предназначенных для классификации пикселей сегментов сложноструктурируемых изображений, включающее интерактивные среды настройки функциональных блоков сетевых структур и реализованное в среде Ма^аЬ 7.10.

Практическая ценность диссертационной работы состоит в применении разработанных в ней методов и процедур анализа и классификации сложноструктурируемых изображений в ряде практических задач, в том числе в геоинформационных системах, в системах гематологического анализа, в автоматизированных системах гистологических исследований, в автоматизированных системах для офтальмологических исследований. Использование предлагаемых технических решений позволило снизить ошибки первого и второго рода, повысить оперативность и достоверность принимаемых решений в системах диагностики и лабораторного анализа.

Реализация результатов исследования осуществлена: в НИЦ (г. Курск) ФГУП «18 ЦНИИ» МО РФ, Курском ОАО «Прибор», ОБУЗ «Офтальмологическая клиническая больница — Офтальмологический центр» (г. Курск), НУЗ «Отделенческая больница на ст. Курск ОАО «РЖД», ОБУЗ «Курская городская больница № 1 им. Н.С. Короткова" — в учебном процессе факультета информатики и вычислительной техники ФГБОУ ВПО «Юго-Западного государственный университет при подготовке специалистов по специальности «Биотехнические аппараты и системы», «Инженерное дело в медико-биологической практике».

Внедрения подтверждаются соответствующими документами.

Связь с научными и инновационными программами.

Результаты диссертационных исследований были получены в результате выполнения ряда проектов в рамках следующих программ фундаментальных, поисковых и инновационных исследований:

— федеральной целевой программой «Научные и научно-педагогические кадры инновационной России на 2009;2013 годы», Государственные контракты № П705, № П2088, № П424.

— гранта Минобрнауки России на 2012;2013 годы «Гибридные технологии анализа и классификации сложноструктурируемых изображений для медицинских приложений» (Соглашение № 14. ВЗ7.21.1970).

Положения, выносимые на защиту.

1. Математические модели, схемы алгоритмической реализации и практическое использование теории формирования интеллектуальных морфологических операторов, позволяющие рассматривать сегментацию сложноструктурируемых изображений с позиций гомеостатического моделирования на основе гибридных нейросетевых структур, объединяющих парадигмы нейронных сетей прямого распространения и нечеткого моделирования.

2. Метод и схемы алгоритмической реализации для построения и спектрального анализа контуров произвольной формы, позволяющие использовать методологии спектрального и морфологического анализа сигналов и изображений для классификации сегментов полутоновых и/или цветных сложноструктурируемых изображений.

3. Методы и алгоритмические средства формирования гибридных нейросетевых структур, позволяющие осуществлять анализ и классификацию сложноструктурируемых изображений по их цвето-яркостным и геометрическим характеристикам, с последующей агрегацией решений.

4. Модели нейронных сетей с макрослоями, позволяющие принимать многоальтернативные решения по результатам нейросетевого анализа групп информативных признаков, получаемых по различным методикам и технологиям.

5. Специализированные математическое, алгоритмическое и программное обеспечения для интеллектуальных систем классификации сложноструктурируемых изображений.

6. Типовые структурно-функциональные решения по анализу сложноструктурируемых изображений, апробация которых в системах поддержки принятия решений по классификации сложных объектов показала их преимущество перед известными техническими решениями.

Специальность, которой соответствует диссертация. Содержание диссертации соответствует паспорту специальности 05.13.17 — теоретические основы информатики (технические науки) по следующим областям исследования. п. 5. Разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений. п. 7. Разработка методов распознавания образов, фильтрации, распознавания и синтеза изображений, решающих правил.

Апробация результатов диссертационных исследований.

Основные положения диссертации докладывались и получили положительную оценку на 24 Международных, Всероссийских конференциях: Международная конференция по аппликативным вычислительным системам «АВСГ 2012» (Москва) в 2012 годуМеждународная научная конференция «Информационные технологии и компьютерные системы для медицины» (Маврикий) в 2012 годуМеждународная научная конференция «Компьютерное моделирование в науке и технике» (Андорра) в 2012 годуМеждународная научная конференция «Физика и радиоэлектроника в медицине и экологии ФРЭМЭ» (Владимир) в 2012, 2010 годахМеждународная научно-техническая конференция «Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений и символьной информации» (Курск) в 2012 годуМеждународная научная конференция «Современные наукоемкие технологии» (Испания-Франция) в 2012 годуМеждународная научная конференция «Фундаментальные и прикладные исследования в медицине» (Сочи) в 2012 годуМеждународная научно-практическая конференция «Перспективы развития информационных технологий» (Новосибирск) в 2012, 2011 годахМеждународная научно-практическая конференция «Медико-экологические информационные технологии» (Курск) в 2011, 2010, 2009 годахМеждународная научно-техническая конференция «Компьютерные науки и технологии» (Белгород) в 2011 годуМеждународная научно-практическая конференция «Интегративные процессы в науке» (Москва) в 2011, 2010 годахМеждународная научная конференция «Лазерно-информационные технологии в медицине, биологии и геоэкологии» (Новороссийск) в 2011, 2010, 2009, 2008 годахВсероссийская научно-техническая конференция «Информационные и управленческие технологии в медицине и экологии» (Пенза) в 2009 годуМеждународная научнотехническая конференция «Информационно-измерительные диагностические и управляющие системы» (Курск) в 2009 годуВсероссийская научно-техническая конференция «Искусственный интеллект в XXI веке. Решения в условиях неопределенности» (Пенза) в 2008 годуМеждународный радиоэлектронный форум «Прикладная радиоэлектроника. Состояние и перспективы развития» (Харьков) в 2008 году.

Публикации. По результатам исследований опубликованы 59 работ, из них 21 работа в изданиях из списка ВАК РФ, 3 монографии, 2 заявки на изобретение, 2 свидетельства о регистрации программы, 23 публикации материалов докладов, 8 статей в других изданиях.

Структура и объем диссертации

Диссертация состоит из введения, 6 глав, заключения и двух приложений. Работа изложена на 296 страницах машинописного текста, включающего 127 рисунков и 21 таблицу и список литературных источников из 211 наименований.

6.9. Выводы шестой главы.

1. Разработана структура автоматизированной системы поддержки принятия решений врача — офтальмолога, позволяющая анализировать состояние сосудов глазного дна и, используя группы дополнительных факторов риска диагностируемых заболеваний, осуществлять прогнозирование и дифференциальную диагностику сосудистых заболеваний глазного дна.

2. Проведены исследования нейронных сетей, предназначенных для классификации кривизны сосудов сетчатки глаза, использующих в качестве входного пространства информативных признаков дескрипторы Фурье. Исследования показали, что рассматриваемые классы объектов («норма» и «патология») являются разделимыми в предложенном признаковом пространстве. Анализ показателей качества классификации показал эффективность разработанного признакового пространства в применении к задаче классификации извилистости сосудов сетчатки глаза. Предложенный метод формирования признакового пространства обеспечивает диагностическую эффективность на уровне 93% и может быть использован для автоматизированной диагностики патологических изменений кровеносных сосудов глазного дна.

3. Для прогнозирования и дифференциальной диагностики заболеваний сосудов глазного дна предложено использовать нейронные сети с макрослоями, использующие для диагностических заключений К групп информативных признаков и включающие К+ макрослой, отличающиеся тем, что в каждом макрослое содержится столько нейронных сетей, сколько классов заболеваний выделяет нейронная сеть с макрослоями, а число нейронов в первом слое каждой нейронной сети К первых макрослоев определяется размерностью признакового пространства, закрепленного за данным макрослоем, а число нейронов в нейронных сетях последнего макрослоя определяется числом групп информативных признаков, используемых для диагностики сосудистых патологий глазного дна.

4. Полученные нелинейные отображения для первого скрытого слоя нейронных сетей, предназначенных для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки глаза, 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.

5. Проведены испытания разработанной автоматизированной системы на примере прогнозирования и дифференциальной диагностики степени тяжести тромбоза вен сосудов сетчатки и ее ветвей. Исследования, проведенные на репрезентативных контрольных выборках, показали, что 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.

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

7. Разработана структура гибридной нейронной сети, предназначенная для классификации флюоресцентных ангиограмм глазного дна, отличающаяся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию патологических сегментов по пространственно-яркостным характеристикам пикселей изображения, и последовательно включенной РБНС, число локальных центров которой, равно числу дифференцируемых патологических образований или морфологических структур. Предложены алгоритмы настройки гибридной нейронной сети, позволяющие реализовать интеллектуальную поддержку анализа изображений глазного дна.

8. Проведены экспериментальные исследования, в результате которых получены характеристики выделения для ряда классов патологических образований и морфологических структур изображения глазного дна, приведена сравнительная оценка эффективности предложенных и известных способов сегментации. Получены сравнительные характеристики известных методов диагностики ДР и предлагаемой автоматизированной системы диагностики ДР, которые показали ее преимущество перед известными диагностическими программами, в среднем по показателям качества диагностики, на 14%.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе в рамках решения поставленной научно-технической проблемы повышения качества классификации сложных объектов на основе анализа их сложноструктурируемых изображений получены следующие основные результаты:

1. Выполнен анализ современного состояния методов и средств классификации сложных объектов, основанных на анализе сложноструктурируемых изображений, исследованы их критические свойства, выявлены пути их модификаций, обеспечивающих повышение эффективности принятия решений.

2. Разработан аппарат математических и алгоритмических средств формирования интеллектуальных морфологических операторов, предназначенных для сегментации сложноструктурируемых изображений, включающий:

— метод сегментации сложноструктурируемых изображений, построенный на основе градиентной обработки исходного полутонового изображения;

— интеллектуальный оператор, предназначенный для формирования границы сегмента, реализующий итерационный процесс активации пикселей границы сегмента.

3. Разработан обобщающий математический формализм, позволяющий с единых позиций описывать геометрические свойства сегментов сложноструктурируемых изображений, включающий:

— метод построения математической модели сегмента произвольной формы, основанный на морфологической обработке бинарных или полутоновых растровых изображений, позволяющий представить изображение любой кривой, в том числе и незамкнутой, в виде контура минимальной толщины;

— метод формирования пространства информативных признаков для нейронной сети, классифицирующей кривую произвольной формы, основанный на определении дескрипторов Фурье соответствующего контура минимальной толщины, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах.

4. Разработан аппарат математических и алгоритмических средств формирования гибридных сетевых структур, позволяющих осуществлять анализ и классификацию сложноструктурируемых изображений на основе их яркостно-геометрического описания, включающий:

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

— сетевую структура классификации двухальтернативных данных, включающую два решающих модуля, позволяющую формировать границу сегмента произвольной формы;

— модель гибридной нейронной сети, позволяющая классифицировать морфологические образования на растровых сложноструктурируемых изображениях;

— модели нейронных сетей с макрослоями, использующие для диагностических заключений по группам информативных признаков, получаемых по различным методикам и технологиям.

5. Создано специализированное методическое, алгоритмическое и программное обеспечение анализа изображений для интеллектуальных систем прогнозирования и диагностики социально-значимых заболеваний включающее:

— алгоритм функционирования нейронной сети с макрослоями, классифицирующей сегменты цветного изображения, построенный по двухступенчатой схеме;

— алгоритмы формирования моделей сетевых структур для классификации пикселей на сложноструктурируемом изображении, позволяющие получать модели сетевых структур, удовлетворяющие априорно заданным параметрам качества классификации;

— структуру базы данных обучающих выборок для нейронных сетей с макрослоями;

— алгоритм автоматизированного получения интегрированных моделей решающих модулей для классификации сегментов сложноструктурируемых изображений;

— программное обеспечение для формирования сетевых моделей, предназначенных для классификации пикселей сегментов сложноструктурируемых изображений, включающее интерактивные среды настройки функциональных блоков сетевых структур, реализованное в среде Ма^аЬ 7.0.

6. Разработаны типовые информационные структуры, предназначенные для интеллектуальных систем поддержки принятия решений гематологического анализа и для врача-офтальмолога, клинические и лабораторные испытания которых показали:

— диагностическую эффективность при решении задачи классификации сосудов сетчатки глаза «норма» — «патология» 93%;

— уверенность в правильном принятии решений на уровне 0,9 при прогнозе и дифференциальной диагностики степени тяжести тромбозов центральной вены сетчатки и ее ветвей;

— превосходство по показателям качества аналогичные систем такого же назначения при выявлении больных диабетической ретинопатией, в среднем, превосходят на 14%;

— превосходство по показателям качества классификации аналогичных систем такого же назначения при определении межклеточных соотношений в среднем на 4%, а также снижение числа ложных тревог (разрушенные клетки, скопления тромбоцитов, грязь, пятна краски ошибочно принятые за лейкоциты).

СПИСОК ПРИНЯТЫХ ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ.

АД — артериальное давление.

БД — база данных.

БС — блочная структура.

ДЗН — диска зрительного нерва.

ДР — диабетическая ретинопатия.

ДЭ — диагностическая эффективность.

ДС — диагностическая специфичность.

ДЧ — диагностическая чувствительность.

ИНС — искусственная нейронная сеть.

ИО — истина отрицательна.

ИП — истина положительна.

КИ — коэффициент интенсивности.

ЛО — ложь отрицательна.

ЛП — ложь положительна.

ЛПР — лицо, принимающее решение.

МНС — модель нейронной сети.

НБС — нейронная сеть блочной структуры.

НСМ — нейронная сеть с макрослоями.

НСППС — нейронная сеть с прямой передачей сигнала.

НСПР — нейронная сеть прямого распространения.

ОПФ — оконное преобразование Фурье.

ПЗ" - прогностическая значимость отрицательных результатов.

П3+ - прогностическая значимость положительных результатов.

ПМ — продукционная модель.

РБНС — радиально-базисная нейронная сеть.

РПЭ — ретинальный пигментный эпителий.

С НИР — система поддержки принятия решений.

СД — сахарный диабет.

СТЗ — система технического зрения.

ТЦВСиВ — тромбоз центральной вены сетчатки и ее ветвей.

ФГД — флюоресцентная ангиограмма глазного дна.

ЦВС — центральная вена сетчатки.

ЦЛСС — центральная линия сосудов сетчатки.

ЦХРД — центральная хориоретинальная дистрофия.

Показать весь текст

Список литературы

  1. , С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. Теория вероятностей и прикладная статистика. / С. А. Айвазян, B.C. Мхитрян. М.: ЮНИТИ, — 2001. Т1. — 656с.
  2. , С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. Основы эконометрики / С. А. Айвазян, B.C. Мхитрян. -М.: ЮНИТИ, -2001. Т. 2. 432с.
  3. , C.B. Повышение качества распознавания сцен нейронной сетью «Неокогнитрон» / C.B. Аксёнов, В. Б. Новосельцев // Известия Томского политехнического университета. 2006. Т. 309. — № 7. — С.87−91.
  4. , В.В. Анализ данных на ЭВМ (на примере системы СИТО)/ В. В. Александров, А. И. Алексеев, Н. Д. Горский. М.: Финансы и статистика, 1990. — 191с.
  5. , С.Г. Гибридные информационные модели в системах обработки изображений / С. Г. Антощук, О. Ю. Бабилунга // Компьютинг. 2009. Т. 8, вып. 2. С. 41−49.
  6. , К. Прикладные нечеткие системы / К. Асаи, Д. Ватада, М. Сугено. Под ред. Т. Тэрано. Пер с яп. М.: Мир, 1993. — 368 с.
  7. , A.M. Сегментация низкоконтрастных изображений с применением иерархической модели марковского случайного поля/А.М Ахметшин, А. Е. Федоренко // Искусственный интеллект 2002.-№ 4 — С. 414−421.
  8. , И.З. Нечеткие гибридные системы: теория и практика / И. З. Батыршин и др.- под ред. Н. Г. Ярушкиной. М.: Физматлит, 2007. -207с.
  9. , Е.А. Статистическая кластеризация для выделения регионов изображений / Е. А. Башков, O.JI. Вовк // Зб1рник праць V М1жнародно1 науково1 конференцп «1нтелектуальний анал1з шформацп». -Ки1в: Просв1та, 2005. — № 8 -С. 50−59.
  10. , Р. Принятие решений в расплывчатых условиях/ Р. Беллман, JI. Заде// Вопросы анализа и процедуры принятия решений. -М.: Мир, 1976. -232 с.
  11. , И.В. Проблема целостности и системный подход / И. В. Блауберг. М.: Эдиториал УРСС, 1997. — 448 с.
  12. , А. Выделение связных областей в цветных и полутоновых изображениях Электронный ресурс. / А. Вежневец // «Компьютерная графика и мультимедиа». 2003. Вып. 1(5). Режим доступа: http:// cgm.computergraphics.ru/content/view/5 3.
  13. , А. Методы сегментации изображений: автоматическая сегментация / А. Вежневец, О. Баринова // Режим доступа: http://cgm.computergraphics.ru/content/view/147.
  14. , Е.А. Предварительная обработка изображений методами интеллектуального анализа многомерных данных. / Е. А. Вершовский //Известия Южного федерального университета. Технические науки. -2008. Т. 79 -№ 2. С.37−40.
  15. , Д.А. Нечеткие методы автоматической классификации: Монография / Д. А. Вятченин. -М.: УП «Технопринт», 2004. 219 с.
  16. Гай, Е. В. Адаптивный алгоритм сегментации изображений / В. Е. Гай, A.JI. Жизняков // Инфокоммуникационные технологии. -2008. Т.6. -№ 4. -С.96−101.
  17. , А.И. Теория нейронных сетей / А. И. Галушкин. -М.: ИСПЖР, 2000.-416с.
  18. , М.В. Методы компьютерной обработки изображений / М. В. Гашников и др. Под ред. В. А. Сойфера // -М.: Физматлит, 2003. -780 с.
  19. , В.А. Нейро нечеткий метод классификации объектов с разнотипными признаками // Системы управления и информационные технологии. — 2004. -№ 4(16). -С. 13−18.
  20. , Г. Л. Цифровая обработка изображений, представленных моделями марковских случайных полей / Г. Л. Гимелъфарб, A.B. Залесный. Киев: Ин-т кибернетики им. В. М. Глушкова, 1991. — 43с.
  21. , A.B. Методы корреляционного обнаружения объектов/ A.B. Гиренко, В. В. Ляшенко. -Харьков: АО «БизнесИнформ», 1996. 112 с.
  22. , Н.И. Метод отбора информативных признаков на цифровых изображениях / Н. И. Глумов, Е. В. Мясников // Компьютерная оптика. Самара. — 2007. Т. 3. — № 3. -С. 73−76.
  23. , Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс // -М.: Техносфера, 2005. -1072 с.
  24. , Р. Цифровая обработка изображений в среде Matlab / Р. Гонсалес, Р. Вудс, С. Эддинс. -М.: Техносфера, 2006. -616 с.
  25. , А.Н. Нейронные сети на персональном компьютере/ А. Н. Горбань, Д. А. Россиев. -Новосибирск: Наука, Сибирск. изд. РАН, 1996. -276 с.
  26. Горелик, A. J1. Методы распознавания / A.JI. Горелик, В. А. Скрипкин. -М.: Высшая школа, 2004. -261 с.
  27. , В.И. Многоагентные системы/ В. И. Городецкий, М. С. Грушинский, A.B. Хабалов//Новости искусственного интеллекта. -1998. -№ 2. С.64−116.
  28. , A.A. Система поддержки принятия решений для врача-терапевта на основе нечетких сетевых моделей/ A.A. Грахов, JI.A. Жилинкова, Е. В. Шевелева // Вестник новых медицинских технологий. -Тула. 2006. Т.13. — № 2. — С. 436.
  29. , И.С. Цифровая обработка изображений в информационных системах / И. С. Грузман, B.C. Киричук и др. -Новосибирск: Изд-во НГТУ, 2002. -352с.
  30. , A.B. Цифровая обработка сигналов: Тематические лекции Электронный ресурс. / A.B. Давыдов. Екатеринбург, 2007−2010. Режим доступа: http://www.prodav.narod.ru/dsp/index.html.
  31. , Д. Цифровая обработка многомерных сигналов/ Д. Даджион. Под ред. Л. П. Ярославского. -М.: Мир, 1988. -^488 с.
  32. , C.B. Методы цифровой обработки изображений: учебное пособие / C.B. Дегтярев, С. С. Садыков и др. Курск, гос. техн. ун-т. 2001, ч.1. — 167 с.
  33. , C.B. Оптико-электронное устройство для диагностики тромбоза глубоких вен голени / C.B. Дегтярев, С. Ю. Мирошниченко // Вестник новых медицинских технологий. Тульский государственный университет. 2006, т. 13. № 2. С. 156−157.
  34. , О.И. Адаптивная нейросетевая система визуализации изображений, распознавания и классификации микрообъектов / О. И. Джуманов // Проблемы информатики. -2009. -С .63 72.
  35. Диаморф объектив современное программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях. Электронный ресурс. Режим доступа: http://www.diamoфh.ru/aboutprog.http.
  36. , A.B. Распознавание дерматоглифических признаков на основе нейронных сетей / A.B. Дмитриев, А. Н. Ветров // Медицинские информационные системы МИС-2006. Таганрог, гос. радиотехн. ун-т. Таганрог, 2006. — С. 162−167.
  37. , Б.А. Современная геометрия. Методы теории гомологий / Б. А. Дубровин, С. П. Новиков, А. Т. Фоменко. М.: Мир, 1987. — 374 с.
  38. , Р. Распознавание образов и анализ сцен / Р. Дуда, Р. Харт. -М.: Мир, 1976.-521с.
  39. , A.A. Алгоритмы быстрого поиска фрагментов фотографических изображений. / A.A. Дунаев, И. В. Лобив и др. // Сб.ст. Современные проблемы конструирования программ. Новосибирск: Изд-во Ин-т систем информатики, 2002. — 246с.
  40. Дьяконов, В.П. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики / В. П. Дьяконов, В. В. Круглов. М.: Солон-Пресс, 2006. —4 56 с.
  41. , В. Обработка сигналов и изображений: специальный справочник / В. Дьяконов, И. Абраменкова. -СПб.: Питер, 2002. -608 с.
  42. Дюк, В. Обработка данных на ПК в примерах / В. Дюк. СПб: Питер, 1997. — 240 с.
  43. , A.B. Алгоритм поиска примитивов на фотографиях с применением нейронных сетей/ A.B. Ермоленко, A.A. Козличенков // Нейроинформатика. 2010. Ч. 2. -С. 174−184.
  44. , A.JI. Использование критерия взаимной информации в локальных алгоритмах обработки вейвлет коэффициентов / A.JI. Жизняков, В. Е. Гай // Инфокоммуникационные технологии. -2007. Т. 5. -№ 1. -С. 12−17.
  45. , В.В. Математические методы обработки многомерных данных и временных рядов: учебное пособие / В. В. Жилин, A.A. Кузьмин и др.- Курск, гос. сельскохоз. акад. -Курск, 2008. -229с.
  46. , Е.Г. Вариационные алгоритмы анализа и обработки изображений на основе частотных представлений: моногр. / Е. Г. Жиляков, A.A. Черноморец. Белгород: Изд-во ГиК, 2009. -146с.
  47. , В. Ф. Компьютерный морфологический анализ периферийной крови / В. Ф. Жирков, JI.T. Сушкова // Изв. Таганрогского гос. радиотехнич. ун-та.-1998. Т.10.-№ 4. -С.134−135.
  48. Жук, C.B. Обзор современных методов сегментации растровых изображений / C.B. Жук // Известия Волгоградского государственного техниченского университета: Межвуз. сб. науч. ст. 2009. -№ 6. -С. 115−118.
  49. , Ю. И. Избранные научные труды / Ю. И. Журавлев. -М.: Магистр, 1998. -420с.
  50. , И.М. Краткий курс теории обработки изображений. Электронный ресурс. / И. М. Журавель. Режим доступа: http://matlab. exponenta.ru/imageprocess/book2/index.php.
  51. , JI. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных/интеллектуальных систем /Л. Заде //Новости искусственного интеллекта. -2001. -№ 2,3. С.7−11.
  52. , В.Н. Современная информационная технология в системах управления / В. Н. Захаров // Изв. АН. Сер. «Теория и системы управления». 2000. -№ 1.- С. 70−78.
  53. , Н.Ю. Компьютерная технология восстановления пространственной структуры коронарных сосудов по ангиографическим проекциям / Н. Ю. Ильясова, Н. Л. Казанский и др. // Компьютерная оптика. 2009. Т.ЗЗ. — № 3. — С.281 -312.
  54. , Н.Ю. Экспертная компьютерная система диагностики глазных заболеваний по изображениям глазного дна / Н. Ю. Ильясова, A.B. Устинов, В. Г. Баранов // Компьютерная оптика. -1999. -№ 19. -С. 202−209.
  55. , Н.Ю. Метод выделения центральных линий кровеносных сосудов / Н. Ю. Ильясова, А. О. Корепанов, П. М. Чикулаев // Компьютерная оптика. 2006. — № 29. — С. 146−150.
  56. Искусственный интеллект: системы общения и экспертные системы / Под ред. Э. В. Попова. М.: Радио и связь, 1990.Т.1. — 464 с.
  57. Искусственный интеллект: модели и методы /Под ред. Д. А. Поспелова. М.: Радио и связь, 1990. Т.2. — 304 с.
  58. , Л.А. Сосудистые заболевания глаз / Л. А. Кацнельсон, А .Я. Бунин, Т. И. Форофонова М.: Медицина, 1990. — 268 с.
  59. , Л.А. Клинический атлас патологии глазного дна/ Л. А. Кацнельсон, B.C. Лысенко, Т. И. Балишанская. -М.: Изд-во: ГЭОТАР-Медиа, 2008. -120 с.
  60. , Л.А. Клинические формы диабетической ретинопатии/
  61. JI.A. Кацнельсон // Вестник офтальмологии. -1989. -№ 5. -С. 43−47.
  62. , М. Алгоритмы анализа изображения для распознавания контура дрожжевых клеток Электронный ресурс. / М. Кварнстром// Пер. с англ. Батлук Н. С. Режим доступа: http://masters.donntu.edu.ua/2009/kita/batluk library/imageanalysis ru.pdf.
  63. , A.B. Применение принципов построения систем машинного зрения в задаче анализа изображений клеточных структур Электронный ресурс. / A.B. Ковригин // Научный журнал КубГАУ, 2007. № 29(5). Режим доступа: http://ej.kubagro.ru/2007/05/pdf/03.pdf.
  64. , И.В. Текстурная сегментация изображений на основании марковских случайных полей / И. В. Ковтун // УСиМ -2003.-№ 4. С. 46−55.
  65. , Г. И. Исследование системы крови в клинической практике / Г. И. Козинец, В. А. Макаров. -М.: Триада-Х, 1997. -480 с.
  66. , А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения / А. Н. Колмогоров // Докл. АН СССР, -М.: 1957. Т. 114. -С. 953−956.
  67. Компьютерная система ранней диагностики глазных заболеваний на основе анализа изображений глазного дна/ В. А. Сойфер, В. В. Котляр, и др. // Фундаментальные науки медицине: сб. матер, науч. конф. — М: Изд-во «Слово», 2004. — С. 131−137.
  68. , А.О. Обнаружение границ радужной оболочки с использованием преобразования Хоу / А. О. Корепанов // Вестник СГАУ. -2008. С. 235−240.
  69. , И.П. Системы компьютерной обработки медицинских диагностических изображений/ И. П. Королюк // Samara MedExpo 2002: сб. тр. VII Межд. науч. конф. -Самара, 2002. С. 41−46.
  70. , Г. Комплексная диагностика патологии глазного дна / Г. Коскас, Ф. Коскас, А. Зурдан. М.: Практическая медицина. 2007. — 469 с.
  71. , И. Г. Метод распознавания патологических форм эритроцитов по их векторному изображению / И. Г. Красовская // Радиоэлектроника и компьютерные системы. -Харьвов: Изд-во ХАИ. -2009. -№ 4 (38).-С. 106- 107.
  72. , С.С. Сравнение метода геометрических моментов и метода дескрипторов Фурье в задачах распознавания текста / С. С. Кубрин, H.A. Федченко, А. Б. Исаев // Информационно-аналитический бюллетень Московского гос. горного ун-та. 2005. -№ 3. — С. 106−108.
  73. , A.B. Оценивание диагностических параметров сосудов на изображениях глазного дна в области диска зрительного нерва / A.B. Куприянов, Ильясова Н. Ю., Ананьин М. А. // Компьютерная оптика. -2006. № 29. — С.141−145.
  74. , Г. С. Методы обработки разнотипных экспериментальных данных/ Г. С. Лбов. Новосибирск: Наука, 1981. — 160с.
  75. , A.B. Нечеткое моделирование в среде Matlab и fuzzyTECH / A.B. Леоненков. СПб.: БХВ — Петербург, 2005. -736 с.
  76. , М.Т. Автоматизированная система распознавания объектов на микроскопических изображениях биологических образцов. / М. Т. Луценко, Н. В. Ульянычев, Н. П. Семичевская // Бюллетень физиологии и патологии дыхания. 1999. — № 3. — С.83−91.
  77. , Н.Г. Нечеткие модели для экспертных систем в САПР/ Н. Г. Малышев, Л. С. Берштейн, A.B. Боженюк. М.: Энершатомиздат. 1991.- 134 с.
  78. , В.Е. Интеллектуальные информационные системы: основы теории и практики/ В. Е. Марлей, В. Д. Чертовской. -СПб.: Санкт-Петербургский ун-т водных коммуникаций, 2010.- 173 с.
  79. Марпл, С.Л.-мл. Цифровой спектральный анализ и его приложения/ С.Л. Марпл-мл.- Пер. с англ. О.И. Хабарова- Под ред. И. С. Рыжака. М.: Мир, 1990. 584с.
  80. , Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов / Д. Марр. М.: Радио и связь. 1987.-400 с.
  81. , Л.П. Информативность экспресс-латекс-тестов при использовании видеоцифровой регистрации / Л. П. Мартынкина, Т. А. Старовойтова, H.A. Стериополо и др. // Клинико-лабораторный консилиум. СПб. — 2009. — № 6. — С.56−62.
  82. , С.А. Моделирование состояния эндотелиальных клеток по их фотоизображению / С. А. Матюнин, Н. С. Селиверстова // Компьютерная оптика. -2002. Т. 24. С. 173−177.
  83. , B.C. Автоматизированные цитофотометрические тесты мазков крови для общей клиники и скрининговых обследований населения /
  84. B.C. Медовый, B.A. Балабуткин, H.B. Верденская // Клиническая лабораторная диагностика. -1997. -№ 10. -С. 6−8.
  85. , А.Н. Ситуационные советующие системы с нечеткой логикой / А. Н. Мелихов, JI.C. Бернштейн, С .Я. Коровин.-М.: Наука, 1990. -271 с.
  86. , В.Н. Автоматизированный офтальмологический комплекс Атлант-Retina Электронный ресурс. / В. Н. Михайлов, Н. С. Бугрова, A.B. Корогодин. Режим доступа: http://library.mephi.ru/data /scientific-sessions/1998/5/196.html.
  87. , В.В. Обзор методов сегментации полутонового цифрового изображения Электронный ресурс. / В. В. Михалец // Режим доступа: http://masters.donntu.edu.ua/2010/fknt/deputat/links/index.htm.
  88. Модели принятия решений на основе лингвистической переменной / Борисов А. Н., Алексеев A.B., Крумберг О.А.и др. -Рига: Зинятне, 1982. -212 с.
  89. , В.В. Эффективные алгоритмы вычисления локального дискретного вейвлет-преобразования / В. В. Мясников // Компьютерная оптика. -2007, Т.31. № 4. -С. 44−48.
  90. , Т.Т. Алгоритмическое и программное обеспечение для распознавания фигур с помощью Фурье-дескрипторов и нейронной сети / Т. Т. Нгуен // Изв. Томского политехнич. ун-та. -2010,Т. 317,-№ 5.-С. 122−125.
  91. , A.M. Полутоновое утоныпение цветного изображения / A.M. Недзьведь // Цифровая обработка изображений. Минск: Ин-т техн. кибер. HAH Беларуси. — 1998. Вып. 2. -С. 41−52.
  92. , A.M. Сегментация изображений волокон и сосудов при большом увеличении/ A.M. Недзьведь// Цифровая обработка изображений. -Минск: Изд-во ин-т техн. кибернетики HAH Беларуси. -1999. Вып. 3. -С. 167−176.
  93. , Ю.И. Распознавание образов и медицинская диагностика / Ю. И. Неймарка, З. С. Баталова, и др. -М.: Наука, 1972 328 с.
  94. Нейрокомпьютеры в системах обработки изображений / А. Н. Балухто, В. И. Булаев и др. Коллект.моногр. -М.: Радиотехника, 2003 —191с.
  95. Нечеткие множества в моделях управления и искусственного интеллекта / А. Н. Аверкин, И. З. Батыршин, и др. Под ред. Д. А. Поспелова. -М.: Наука, 1986. -311с.
  96. , C.B. О нечетких классификациях: Нечеткие множества и теория возможностей. Последние достижения/ C.B. Овчинников, Т. Рьера. Пер. с англ. Под ред. P.P. Ягера. -М.: Радио и связь, 1986. -405с.
  97. , В.П. Практикум по медицинской информатике: учеб. пособие / В. П. Омельченко, A.A. Демидова. -Ростов-на-Дону. «Феникс», 2001.-304с.
  98. , A.A. Алгоритм вычисления признаков отрезков на растровых изображениях основанный на вычислении градиента яркости / А. А. Орлов, М. И. Ткачук // Инфокоммуникационные технологии. 2008. Т. 6. -№ 3. — С. 36−41.
  99. , A.C. Методы компьютерной обработки, рентгенологических изображений на основе современных алгоритмов Электронный ресурс. / A.C. Осадчий, И. П. Королюк, Ю. Л. Минаев. Режим доступа: http://dopleruzi.ru/viewpage.php7page =40&ID=29.
  100. , С. Нейронные сети для обработки информации/ С. Осовский. М.: Финансы и статистика, 2002. — 344 с.
  101. , И.Н. Метод сегментации изображений с применением выращивания областей и многомасштабного анализа / И. Н. Паламарь, П. В. Сизов // Вестник Сибирского гос. аэрокосмического ун-та им. акад. М. Ф. Решетнева. -2009. -№ 3(24). -С. 15−20.
  102. , Е.И. Метод определения размера модели марковского случайного поля / Е. И. Патана // Известия Южного федерального университета. Технические науки. -2009. Т. 97. -№ 8. -С. 206−212.
  103. Пат. 2 134 054Рос. Федерация, МПК А61В003/06. Способ диагностики патологии зрительного нерва / С. Н. Федоров, и др.- заявитель
  104. Межотраслевой научно-технический комплекс «Микрохирургия глаза" — патентообладатель Межотраслевой научно-технический комплекс «Микрохирургия глаза" — завл.27.10.98- опубл.10.08.1999.
  105. , А.И. Алгоритм последовательного выделения контура объекта на двумерных цифровых изображениях / А. И. Перов, Г. Г. Соколов // Радиотехника. -1998. -№ 7.
  106. , А.И. Разработка методов формирования цвето-тескстурных признаков для анализа биомедицинских изображений / А.И.
  107. , A.B. Куприянов, Н.Ю. Ильясова // Компьютерная оптика. -Самара. 2007. Т.31. — № 2. — С.82−85.
  108. , Е.С. Модели индивидуального прогнозирования и классификации состояний в системах компьютерного мониторинга/ Е. С. Подвальный. -Воронеж: Изд-во ВГТУ, 1998. -127 с.
  109. , М.В. Контурная сегментация изображений с использованием вейвлет-анализа / М. В. Полякова, В. В. Любченко // Сб. науч. тр. Одесского политехи, ун-та. 2004. Вып. 1(21). — С. 1−5.
  110. , Э.В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ / Э. В. Попов. -М.: Наука, 1987. -283 с.
  111. , Д.А. Нечеткие множества в моделях управления и искусственного интеллекта / Д. А. Поспелов. -М.: Наука, 1986. -311 с.
  112. , Г. С. Искусственный интеллект основа новой информационной технологии / Г. С. Поспелов. -М.: Наука, 1988. -168 с.
  113. , A.C. Распознавание образов и машинное восприятие/А.С. Потапов. Спб.: Политехника, 2007. — 552с.
  114. Прикладная статистика. Классификация и снижение размерности / Под ред. С. А. Айвазяна. -М.: Финансы и статистика, 1989. -606 с.
  115. , A.A. Цифровая обработка изображений / A.A. Приоров, В. В. Хрящев и др. -Ярославль: Изд-во Яросл.гос.ун-т, 2007. -234с.
  116. , У. Цифровая обработка изображений / У. Прэтт- пер. с англ. Под ред. Д. С. Лебедева. -М.: Мир, 1982. Т.1. -310 с.
  117. , У. Цифровая обработка изображений / У. Прэтт- пер. с англ. Под ред. Д. С. Лебедева. -М.: Мир, 1982. Т.2. -790 с.
  118. , Е.П. Нормализация и распознавание изображений Электронный ресурс. / Е. П. Путятин. Режим доступа: http://sumschool.sumdu.edu.ua/is-02/rus/lectures/pytyatin/pytyatin.htm.
  119. , Е.П. Обработка изображений в робототехнике. / Е. П. Путятин, С. И. Аверин. -М: Машиностроение. 1990. 320 с.
  120. , Ю.П. Методы морфологического анализа изображений / Ю. П. Пытьев, А. И. Чуличков. -М.: Физматлит, 2010. 336 с.
  121. , Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JI. Рутковский- пер. с польск. И. Д. Рудинского. -М.: Горячая линия-Телеком, 2008. -383 с.
  122. , С.С. Распознавание отдельных и наложенных плоских объектов / С. С. Садыков, C.B. Савичева. -Владимир: ВлГУ, 2012. -263с.
  123. , H.H. Метод количественной оценки интенсивности флюоресценции в определении активности хориоидальной неоваскуляризации/ H.H. Сафарли, И. В. Щеголева и др. // Практикующий врач. -М. -2007. -№ 6. -С.101−102.
  124. , A.A. Статистические алгоритмы обнаружения границ объектов на изображениях / А. А. Сирота, А. И. Соломатин // Вестник ВГУ. Сер.: Системный анализ и информационные технологии—2008. —№ 1. — С.58−64.
  125. , К.С. Методы сегментации изображений объектов нерегулярного вида, особенности их применения и перспективы развития /
  126. К.С. Смеляков, И. А. Романенко, И. В. Рубан и др. // 36ipmnc наукових праць Харювського ушверситету Повггряних Сил. -2010. в. 2(24). -С.92−97.
  127. , В.А. Введение в цифровую обработку сигналов и изображений: математические модели изображений / В. А. Сойфер. -Самара: Изд-во СГАУ, 2006. -179с.
  128. , В.А. Введение в цифровую обработку сигналов и изображений: повышение качества и оценивание геометрических параметров изображений / В. А. Сойфер. -Самара: Изд-во СГАУ, 2006. -107с.
  129. , В.А. Введение в цифровую обработку сигналов и изображений: критерии качества изображений и погрешности их дискретного представления / В. А. Сойфер. -Самара: Изд-во СГАУ, 2006. -135с.
  130. Справочник по функциональной диагностике в педиатрии/ Под ред. Ю. Е. Вельтищева, Н. С. Кисляк. -М.: Медицина, 1979. -624 с.
  131. , М.А. Алгоритм сегментации цветных изображений средствами кластерного анализа/ М. А. Талеб, Старовойтов В.В.// Цифровая обработка изображений. -Минск: Ин-т техн. кибернетики HAH Беларуси, -2000. Вып.4. -С. 107−116.
  132. Терапевтическая офтальмология / Под ред. M.JI. Краснова, Н. Б. Шульпиной. -М.: Медицина, 1985. -С. 477−495.
  133. , P.A. Нейросетевые модели в автоматизированных системах анализа фотографий флюоресцентных ангиограмм глазного дна / Р: А. Томакова, A.A. Маслак, H.A. Швецова // Биомедицинская радиоэлектроника. -2012. -№ 4. С.56−61.
  134. , P.A. Интеллектуальная система морфологического анализа патологических изменений при ретинопатии / A.B. Иванов, P.A. Томакова, В. Н. Мишустин // Известия Юго-Западного государственного университета. -2012. -№ 2(41), ч. 1. -С. 19−27.
  135. , P.A. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных функций среды MATL AB / P.A. Томакова, С. А. Филист // Вестник Читинского государственного университета. -2012. -№ 1 (80). -С.3−9.
  136. , P.A. Проектирование гибридной нейронной сети для анализа сложноструктурированных медицинских изображений / P.A. Томакова // Системный анализ и управление в биомедицинских системах. -2011. Т. 10. -№ 4. -С.916−923.
  137. , P.A. Способ сегментации плохоструктурированных изображений на основе нечеткой сетевой модели / P.A. Томакова // Ученые записки Российского государственного социального университета (Москва). -2011.- № 6(94). С.377−408.
  138. , P.A. Нейросетевые модели с иерархическим пространством информативных признаков для сегментации плохоструктурированных изображений / С. А. Борисовский, А. Н. Брежнева, P.A. Томакова // Биомедицинская радиоэлектроника. -2010. -№ 2. С.49−53.
  139. , P.A. Спектральный анализ сегментов изображения глазного дна для количественной оценки сосудистой патологии / P.A. Томакова, С. А. Филист, А. Н. Брежнева // Биомедицинская радиоэлектроника. -2009. -№ 6. -С. 15−18.
  140. , P.A. Нечеткие нейросетевые структуры для сегментации изображений глазного дна / C.B. Пихлап, P.A. Томакова, С. А. Филист // Вестник Воронежского государственного технического университета. -2009. Т.5, -№ 4. -С.42−45.
  141. , Ф. Нейрокомпьютерная техника: теория и практика. Пер. с англ./ Ф. Уоссермен -М.: Мир, 1992. -240 с.
  142. Физика визуализации изображений в медицине. Пер. с англ. /Под ред. С. Уэбба. М.: Мир, 1991. Т. 1. — 407 с.
  143. Физика визуализации изображений в медицине. Пер. с англ./ Под ред. С. Уэбба. М.: Мир, 1991. Т. 2. — 406 с.
  144. С.А. Нечеткие нейросетевые структуры для сегментации изображений глазного дна / С. А. Филист, C.B. Пихлап, Р. А. Томакова //Вестник Воронежского государственного технического университета. -Воронеж. -2009. Т.5. -№ 4. -С.42−45.
  145. , В.Т. Компьютерная обработка и распознавание изображений / В. Т. Фисенко, Т. Ю. Фисенко. -СПб.:СПбГУ ИТМО, 2008.-192 с.
  146. , Д.А. Компьютерное зрение. Современный подход / Д. А. Форсайт, Ж. Понс. -М.: Издательский дом «Вильяме», 2004.-926с.
  147. , Я.А. Введение в контурный анализ и его приложения к обработке изображений и сигналов: Монография. / Я. А. Фурман, A.B. Кревецкий [и др.]. М.:Физматлит, 2003. -592 с.
  148. , A.A. Обработка визуализированной информации о микроциркуляции глазного дна /A.A. Хадарцев, Е. С. Тутаева и др. //Системный анализ и управление в биомедицинских системах. -2003 .Т.2. -№ 4. -С. 354−358.
  149. , С. Нейронные сети: полный курс / С. Хайкин. -М.: ООО «И.Д. Вильяме», 2006. 1104 с.
  150. Халафян, A.A. STATISTIKA 6. Статистический анализ данных/ A.A. Халафян. -М.: ООО Бином-Пресс, 2007. 512с.
  151. Хейсе-Рот, Ф. Построение экспертных систем/ Ф. Хейсе-Рот, Р. Уотерман, Д. Ленат. -М.: Мир, 1987. -438 с.
  152. , А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами / А. Ю. Хлесткин, В. П. Кривозубов, A.B. Николаева // Инфокоммуникационные технологии. -2006. -№ 3. -С. 64−69.
  153. , А.Н. Машинное зрение в задаче автоматического подсчета клеток крови человека Электронный ресурс. / А. Н. Хлопов // Электронный научный журнал «Исследовано в России». С. 1962−1969. Режим доступа: http://zhumal.ape.relam.rU/articles/2007/l67.pdf.
  154. , Д. А. Об одном методе выделения контуров на цифровых изображениях / Д. А. Хрящев // Вестник Астраханского государственного технического университета, Сер. «Управление, вычислительная техника и информатика». -2010. -№ 2. С. 181−187.
  155. , Е.Ю. Спектральный анализ вероятностных характеристик изображений / Е. Ю. Чекотило, П. К. Кузнецов // Вестник Самарского Государственного, технического университета. Сер. «Физико-математические науки». -2006. -№ 42. С 212−215.
  156. , Е.А. Алгоритм классификации монохромных изображений с использованием нейронных сетей / Е. А. Чернецова // Вычислительные технологии. -2008. Т. 13. -№ 2. С. 119−130.
  157. , A.M. Наследственные и врожденные заболевания сетчатки и зрительного нерва/ Под ред. A.M. Шамшиновой. -М.: Медицина, 2001. -526 с.
  158. , А. В. Кодирование изображений с последующим возможным оптимальным декодированием / A.B. Шокуров// Фундаментальная и прикладная математика. -2007. Т. 13. -№ 5. -С. 225−255.
  159. , С.Д. Проектирование нечетких систем средствами MATLAB / С. Д. Штовба. -М.: Горячая линия-Телеком, 2007. -288 с.
  160. Экспертные системы. Принципы работы и примеры: Пер. с англ. /А. Брукинг, Д. Джонс, и др.- Под ред. Р.Фройсата.-М.: Радио и связь, 1987.-220 с.
  161. , Д. К. Экспертные системы: концепции и примеры/ Д. К. Элти. Пер. с англ. -М.: Финансы и статистика, 1987. -251 с.
  162. Яне, Б. Цифровая обработка изображений / Б. Яне -М.: Техносфера, 2007. 584 с.
  163. , JI.П. Введение в цифровую обработку изображений/ Л. П. Ярославский. М.: Сов. Радио, 1979. — 312с.
  164. , А.И. Модели и методы исследования науки/А.И. Яблонский. М.: Эдиториал УРСС, 2001. — 398с.
  165. , Н.Г. Основы теории нечетких гибридных систем/ Н. Г. Ярушкина. -М.: Финансы и статистика, 2004. -320 с.
  166. ADA: New Screening Modes Work Diabetic Retinopathy http://www.medpagetoday.com/Endocrinology/Diabetes/14 663)
  167. Burrstock, G. Autonomic Neuroeffector mechanisms /G.Burrstock, H. V. Houlech. Eds. //Harwuud academic publishers Hayes-Roth Chur, 1995. -580 p.
  168. Geman, S. Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images / S. Geman, D. Geman // IEEE Trans, on PAMI, -1984. Vol. 6 N.6. — P. 721−741.
  169. Hart, W.E. Measurement and classification of retinal vascular tortuosity // Applied Numerical Mathematics Dept, Sandia National Laboratories, wehart@cs. sandia.gov.
  170. Hayes-Roth, F. The Knowledge-Based Expert System: A Tutorial/ F. Hayes-Roth//IEEE COMPUTER.-1987. Vol. 17.-N.9.-P. 11−18.
  171. Hecht-Nielsen, R. Kolmogorov’s Mapping Neural Network Existence Theorem / R. Hecht-Nielsen // IEEE First Annual Int. Conf. on Neural Networks. San Diego. 1987. Vol.3.-P. 11−13.
  172. Kylstra, J.A. Measurement of retinal vessel tortuosity as a means of diagnosis plus disease in ROP Invest Ophthalmol Vis Sci./J.A. Kylstra, S.F. Freedman, J.J. Capowsky, J.G. Hall. -1995. -N.36. — P.77.
  173. Keller, J.M. Neural Network Implementation of Fuzzy Logic / J.M. Keller, R.R. Yager, H. Tahani// Fuzzy Sets and Systems. -1992.V.45 N1. — P. l-12.
  174. O’Leary, D.E. Artificial Intelligence and Virtual Organizations/ D.E. O’Leary, D. Kuokka, R. Plant //Communications of the ACM. 1997. V. 4. -N.l. -P. 52−59.
  175. Puppe, F. Diagnostisches Problemlosem mit Experten system /F. Puppe //Informatik Fachberichte. Berlin: Heidelberg- N.-Y.: Springer. -1987. Vol. 148. -P. 34 -40.
  176. Pyt’ev Yu.P. The Morphlogy of Color (Multispectral) Images/Yu.P. Pyt’ev // Pattern Recognition and Image Analysis. -1997. V.7. -N. 4. P.467−473.
  177. Reed, T. R. Digital image sequence processing, compression, and analysis/ T.R. Reed, Boca Raton: CRC pres.cop. -2005. -272 p.
  178. Sharon, E. Fast Multiscale Image Segmentation / E. Sharon, A. Brandt R. Basriy // Proceedings IEEE Conference on Computer Vision and Pattern Recognition. South Carolina, 2000, P. 70−77.
  179. Schwartz, W. Artificial Intelligence in Medicine: Where Do We Stand/ W. Schwartz, R. Patil, P. Srolovits. //New Engl. J. Med. -1987. Vol. 316. P. 685−688.
  180. Sycara, K. Distributed Intelligent Agents/ K. Sycara, A. Pannu, M. Williamson // IEEE Expert: Intelligent Systems and Their Applications. 1996. V. l 1, N.6. P.36−46.
  181. Werner, O. Unified View of Information, Intention and Ability/O. Werner, Y. Demazeau, J.-P. Muller//Decentralized AI/-Amsterdam: Elsevier North-Holland, 191. P.109−125.
  182. Woo, H.W. Cuide to Desinging Expert System. New Gersey/H.W. Woo, Y. Kim //Ibid. -Vol. 1. P. 343−346.
  183. Yager, R.R. Multiple objective decision-making using fuzzy sets/ R.R. Yager //Int. J. Man Machine Studies. -1977. — N.9. — P. 375−383.
  184. Yazenin, A.V. On the problem possibilistic optimization/ A.V. Yazenin//Fuzzy sets and systems. 1996. V.81. — P. 133−140.297
Заполнить форму текущей работой

На отлично!