ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ ДИАГНОСТИЧЕСКИХ РЕШЕНИЙ НА ОСНОВЕ АНАЛИЗА ИЗОБРАЖЕНИЯ РАДУЖНОЙ ОБОЛОЧКИ ГЛАЗА

Рассматриваются методы анализа изображения радужной оболочки человеческого глаза, классификации выделенных патологических объектов и принятия диагностических решений на основе использования нейронных сетей с макрослоями.

Ключевые слова: сегментация изображения, патологические объекты, радужка глаза, выделение связных областей, нейронные сети с макрослоями, яркость пикселя, принятие решений.

 

INTELLIGENT SUPPORT SYSTEM OF MAKING DIAGNOSTIC DECISIONS BASED ON IRIS IMAGE ANALYSIS

 

The article considers image of human's iris analysis methods, allocated abnormal objects classification methods and making decisions methods based on macrolayer neural networks.

Key words: image segmentation, abnormal object, iridial part of retina, allocation of connected domains, macrolayer neural networks, pixel brightness, making decisions.

Разработка методов и алгоритмов автоматизированной идентификации патологических структур, в

частности методов, основанных на применении нейронных сетей, позволяющих ускорить процесс диагностики и прогнозирования заболеваний, является актуальной задачей [1,3,4].

Целью данной работы является рассмотрение способов применения нейросетевых моделей для диагностики состояний организма на основе анализа радужной оболочки и зрачка глаза. Сама радужная оболочка имеет сложное строение и связана практически со всеми внутренними органами, таким образом, ее можно рассматривать в качестве своеобразного экрана, на который проецируются все органы и системы человеческого организма [2]. В случае появления в них патологических изменений изображение на радужке также меняется, это проявляется в перераспределении пигмента радужной оболочки (Рисунок 1).

С целью повышения степени интеллектуализации систем диагностики заболеваний рекомендуется применение гибридных нейронных сетей и сетей с иерархической структурой [3,4]. Это требует формализации процесса описания изображений и выделения морфологических объектов на них, то есть совершенствования методов сегментации изображений со сложной структурой [6, 7. 10].

Для повышения достоверности принятия диагностических решений предполагается анализировать ряд факторов таких как: величина артериального давления; наличие атеросклероза; группа признаков, получаемых в результате опроса пациента и т.д. [5,8].

Таким образом, на входе сетевой модели имеется совокупность групп информативных признаков, которые необходимо анализировать и классифицировать [1,3,4].

Анализ патологических образований на изображении предусматривает два этапа. На первом – выделяются объекты на морфологическом образовании, которые определяют множество анализируемых пикселей. На втором этапе проверяется гипотеза о принадлежности выделенных патологических объектов на изображении к определенному классу. Выдвигаемая гипотеза является двухальтернативной, поэтому принимается  бинарное решение: выделенный объект на изображении принадлежит к искомому классу (патологии или морфологическому образованию) или не принадлежит.

Для формализации процесса классификации выделенной патологии необходимо поставить в соответствие вектор информативных признаков, коррелируемый с искомой патологией или морфологическим образованием.

Определив    множество    векторов    информативных    признаков,    строим    классифицирующие    модели, позволяющие принять диагностическое решение.

Поэтому при проектировании нейронных сетей для классификации патологических образований использовались нейронные сети с макрослоями (НСМ). В НСМ за каждую патологию l , определяемую по k-й группе  информативных  признаков,  отвечает  нейронная  сеть  прямого  распространения NETl k .  Если  выделяются L заболеваний, то для каждой группы информативных признаков  tk получаем макрослой, содержащий столько нейронных сетей прямого распространения, сколько заболеваний выделяется данной НСМ. Число макрослоев определяется числом групп информативных признаков K, используемых для диагностики. Так как решения о принадлежности к заданному заболеванию принимаются в каждом из K слоев НСМ, то НСМ должна иметь K+1 слой. Выходной слой – K+1 слой – предназначен для агрегирования решений, принимаемых в каждом слое, и выполняется в виде макрослоя нейронных сетей прямого распространения.

Структурная схема НСМ, выполняющая указанные функции, представлена на Рисунке 2.

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

Нейронные сети в макрослоях построены на основе вероятностных моделей (PNN) блочного типа. Для принятия окончательного решения к вероятностному слою нейронной сети добавляется слой, выполненный по нечеткой технологии ‒ макрослой FNN. В итоге каждый модуль классификации содержит последовательно соединенные блок PNN и блок FNN, на выходе которого выдается вероятность, по существу, субъективная, принадлежности входного вектора к данному классу.

В качестве примера рассматривается диагностики заболеваний диафрагмы. Принятие диагностических решений наличия этого заболевания осуществлялась на основе результатов, полученных в соответствии с разработанной архитектурой нейронных сетей с макрослоями для классификации патологических образований при сопоставлении с базой иридодиалогических данных [2,5] (Рисунок 3).

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

Выводы

Разработаны модели нейронных сетей с макрослоями, использующие для диагностических заключений K групп информативных признаков и включающие K+1 макрослой, предназначенные для дифференциальной диагностики заболеваний и прогнозирования заболеваний на основе анализа и классификации объектов на радужной оболочке глаза.

 

Список литературы

1.     Борисовский, С.А. Нейросетевые модели с иерархическим пространством информативных признаков для сегментации плохоструктурированных изображений/С.А. Борисовский, А.Н. Брежнева, Р.А Томакова//Биомедицинская радиоэлектроника. 2010, – № 2, – С. 49-53.

2.     Вельховер Е.С. Иридодиагностика/ Вельховер Е.С., Шульпина Н.Б., Алиева З.А. и др.// Медицина, 1988. ‒ 255с.

3.     Томакова, Р.А. Интеллектуальные технологии сегментации и классификации биомедицинских изображений: монография / Р.А. Томакова, С.Г. Емельянов, С.А. Филист. Курск: Юго-Зап. гос. ун-т, 2012. 222с.

4.     Томакова, Р.А. Гибридные методы и алгоритмы для интеллектуальных систем классификации сложноструктурируемых изображений: автореф. дис. …д-ра техн.наук : 05.13.17/Томакова Римма Александровна. – Белгород, 2013. – 42с.

5.     Томакова, Р.А. Методы и алгоритмы теории принятия решений: учебное пособие/Р.А. Томакова, В.В. Апальков. – Курск: 2015. -164с.

6.     Томакова, Р.А. Нечеткие  нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях/ Р.А. Томакова, С.А. Филист, А.А. Насер// Биомедицинская радиоэлектроника. 2012. –№ 4. –С. 53-50.

7.     Томакова, Р.А. Способ сегментации плохоструктурированных изображений на основе нечеткой сетевой модели/ Р.А. Томакова//Ученые записки Российского государственного социального университета. 2011. –№ 6. –С. 336-341.

8.     Томакова, Р.А. Теоретические основы и методы обработки и анализа микроскопических изображений биоматериалов: монография / Р.А. Томакова, С.А. Филист, С.Г. Емельянов. Курск, Юго-Западный государственный университет (ЮЗГУ), 2011. 202с.

9.     Томакова, Р.А. Универсальные сетевые модели для задач классификации биомедицинских данных/ Р.А. Томакова, С.А. Филист, Яа Зар До//Известия Юго-Западного государственного университета. 2012. –№ 4- 2(43). –С. 44-50.

10. Фурман, Я.А. Введение в контурный анализ и его приложения к обработке изображений и сигналов: монография / Я.А. Фурман, А.В. Кревецкий [и др.]. ‒ М.: Физматлит, 2003. ‒592 с.