автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.17, диссертация на тему:Методы, алгоритмы и системы классификации и опознавания полисегментарных биомедицинских изображений на базе нейросетевого классификатора

РГБ ОД

На правах рукописи

Касумова Марина Константиновна

МЕТОДЫ, АЛГОРИТМЫ И СИСТЕМЫ КЛАССИФИКАЦИИ И ОПОЗНАВАНИЯ ПОЛИСЕГМЕНТАРНЫХ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ НА БАЗЕ НЕЙРОСЕТЕВОГО КЛАССИФИКАТОРА

Специальность: 05.11.17 - медицинские приборы и измерительные системы

Автореферат

диссертации на соискание учёной степени кандидата технических наук

Санкт-Петербург - 2000

Работа выполнена в Санкт-Петербургском государственном электротехническом университете «ЛЭТИ»

Научный руководитель:

Заслуженный деятель науки РФ, доктор технических наук, профессор Е.П. Попечителев

Консультант по медицине:

доктор медицинских наук Аврунин A.C.

Официальные оппоненты:

доктор технических наук, профессор Зайченко К.В., кандидат технических наук, старший научный сотрудник Сидоров A.C.

Ведущая организация - Санкт-Петербургский государственный университет телекоммуникаций

Защита диссертации состоится ' //¿УЛ&сЯ 2000г. в часов на заседании диссертационного совета Д 063.36.09 Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» по адресу: 197376, Санкт-Петербург, ул.Проф. Попова,5.

С диссертацией можно ознакомиться в библиотеке университета. Автореферат разослан 000г.

Учёный секретарь диссертационного совета Юлдашев З.М.

О Р с

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ.

Актуальность темы. Прогресс, достигнутый в последние десятилетия в развитии программно-аппаратных средств представления и обработки информации на базе современных достижений технологий в области микроминиатюризации электронных устройств и вычислительной техники, ставит вопрос о широком применении названных средств в различных сферах человеческой деятельности, в том числе в таких, которые до сих пор слабо поддавались процессу автоматизации из-за возникающих трудноразрешимых проблем. К таким проблемам относятся задачи автоматической обработки визуальной информации в медико-биологических исследованиях, включающих клиническую морфологию человека, гистохимию, электронную микроскопию, рентгеновскую денситометрию, молекулярную биологию и др., где фактический материал, как по объему информации, которую требуется обработать, систематизировать и интерпретировать, так и по содержанию, далеко превышает физические возможности человека.

Особенно остро эти проблемы затрагивают область автоматического анализа биомедицинских изображений на основе аппаратно-программных комплексов (АПК), создание которых становится возможным только на стыке различных наук и областей знаний, таких, как биология, медицина, математика, информатика, электроника. Отличительной стороной автоматической обработки и представления биомедицинских изображений является необходимость предварительного анализа, сжатого описания, определения ориентации, координат, геометрических характеристик и других параметров сегментов полисегментарных изображений на различных фонах, с последующей классификацией объектов сегментированных изображений.

Указанная особенность представления исходной информации привела к необходимости применения для решения задачи распознавания полисегментарных образов и их классификации нейронных сетей (НС), характерными признаками которых являются универсальность, способность к обучению и, что очень важно для решаемой задачи, создание условий для параллельной обработки большого объема цифровой или аналоговой информации в условиях априорной неопределённости о типе, положении и ориентации объекта на рецепторном поле (поле зрения видео датчика).

Актуальность темы диссертационной работы определяется дальнейшим ростом потребности в автоматической обработке визуальной медико-биологической информации на основе развития методико-

алгоритмической базы и совершенствования программно-аппаратных средств.

Цель диссертационной работы состоит в исследовании существующего и разработка нового методического, алгоритмического, программного обеспечения и систем распознавания и классификации полисегментарных изображений для решения задач медико-биологического применения на базе современных технических средств в интересах объективизации диагностики и повышения производительности труда медицинского персонала.

Для достижения поставленной цели в диссертации сформулированы и решены следующие задачи:

- анализ и теоретическое обоснование решения задачи сегментации и фрагментации биомедицинских изображений с использованием архитектуры НС;

- разработка методов анализа и синтеза признаковых комплексов сегментов, фрагментов и объектов полисегментарных биомедицинских изображений с учётом особенностей применения нейросетевого классификатора;

- разработка адаптивных методов считывания информации с рецепторного поля и формирования комплекса признаков, инвариантных к преобразованиям полисегментарных изображений на базе НС;

- разработка автоматизированной системы обработки биомедицинских изображений с использованием архитектуры НС;

- разработка методик обработки, опознавания и классификации полисегментарных гистологических, рентгенологических, ультразвуковых изображений на базе разработанных методов и алгоритмов опознавания и классификации биомедицинских изображений с учётом современных требований к формированию автоматизированного рабочего места врача.

Методы исследования. В работе использованы методология системного анализа и искусственного интеллекта, в том числе теории НС, математический аппарат теории вероятностей, теории случайных процессов, математической статистики, методы машинного моделирования, планирования эксперимента и обработки экспериментальных данных. Экспериментальные исследования выполнены с использованием методов имитационного моделирования на основе стандартных и вновь разработанных пакетов прикладных программ на автоматизированных рабочих местах врачей.

Научные положения, выносимые на защиту. 1. Метод описания полисегментарных изображений на основе комплекса признаков с целью решения задач дискриминации полисегментарных

изображений на базе нейросетевого классификатора, позволяющие детерминировать семантически значимые сегменты, фрагменты и объекты биомедицинских изображений, используя минимум априорных знаний об анализируемых изображений.

2. Методы предварительной обработки полисегментарных биомедицинских изображений применительно к нейросетевой дискриминации полисегментарных изображений, что дает возможность выделить признаковые комплексы синтезированных изображений в условиях снижения уровня априорной информации об исходных объектах исследования.

Новые научные результаты, подтверждающие эти положения:

- предложены и теоретически обоснованы методы описания и предварительного анализа полисегментарных биомедицинских изображений на базе нейросетевого классификатора, позволяющие выделять и анализировать комплексы признаков синтезированных полисегментарных изображений при существенном снижении уровня априорной информации по сравнению с известными методами;

- предложен и исследован адаптивный принцип радиально-кругового считывания информации и формирования комплекса признаков, инвариантных к преобразованиям исходного изображения;

- разработан метод иерархической обработки, опознавания и классификации полисегментарных биомедицинских изображений на базе нейросетевой дискриминации сегментов, фрагментов и объектов полисегментарных изображений;

- разработан метод нейросетевой фрагментации полифрагментарных биомедицинских изображений, который обладает большей помехоустойчивостью по сравнению с известными методами аналогичного применения.

Практическую ценность работы составляют:

- метод описания полисегментарных биомедицинских изображений в пространстве признаков для решения задачи нейросетевой дискриминации;

- метод синтеза и анализа признаковых комплексов (пространства признаков) полисегментарных биомедицинских изображений применительно к нейросетевому классификатору;

- методики автоматизированной обработки полисегментарных гистологических, рентгенологических и ультразвуковых изображений;

- разработанная на основе теоретических исследований автоматизированная система обработки изображений (АСОИЗ) "Нейронное зрение".

Внедрение результатов. Методы обработки полисегментарных медицинских изображений на базе нейросетевой дискриминации и методы анализа признаковых комплексов синтезированных полисегментарных изображений составили основу для создания АСОИЗ "Нейронное зрение". Созданная система существенно расширяет возможности исследователей при использовании ее в цитологии, гематологии, гистологии, рентгенологии и др. научных направлениях, связанных с анализом изображений, и значительно экономит трудозатраты при выполнении потока стандартных операций над изображениями.

АСОИЗ «Нейронное зрение» находится в эксплуатации на трех отделениях РосНИИ ТО им. Р.Р.Вредена, в Городской инфекционной больнице №30 им. С.П.Боткина, в Сакнкт-Петербургской Государственной медицинской академии им. И.И.Мечникова, в Медицинской Ассоциации «Меди».

Апробация работы. Результаты работы докладывались и обсуждались на конференции по АСОИЗ (ЛЭТИ им. В.И.Ульянова (Ленина), 1991), на обществе патологоанатомов (1995), на семинарах кафедры БМЭ и ОС СПб ТЭТУ (1998), опубликованы в трудах Международной научной конференции «Интеллектуальные системы и информационные технологии управления» ИСИТУ-2000-18&1ТС (г. Псков, 2000). АСОИЗ "Нейронное зрение" экспонировалась на международных выставках "Больница-92", "Больница-93", на выставках-конкурсах в 1-ом Медицинском Институте в 1992,1993 годах. По результатам выставки 1992 года имеется диплом за лучшее программное внедрение в области медицины в 1992 г.

Публикации. По теме диссертации опубликовано 16 научных работ, в том числе 9 статей, 3 доклада, 1 методическое пособие, 2 тезисов докладов и 1 авторское свидетельство на изобретение.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 81 наименование, и одного приложения. Основная часть работы изложена на 124 страницах машинописного текста. Работа содержит 25 рисунков и 7 таблиц.

СОДЕРЖАНИЕ РАБОТЫ.

Во введении обоснована актуальность темы диссертации, сформулированы цель и задачи исследований, приводится краткое содержание работы по главам.

В первой главе проведён сравнительный анализ существующих методов и алгоритмов обработки полисегментарных изображений в

автоматизированных аппаратно-программных комплексах (АПК) и выделены их основные особенности. Показано, что решению задачи собственно опознавания и классификации изображений предшествует ряд последовательно-параллельных преобразований исходного (первичного) образа, начиная от его проекции на рецепторное поле и кончая выдачей информации о принадлежности исходного образа соответствующему классу. Последовательность преобразований связана с метаморфозами исходного образа, следующими последовательно во времени и принимающими различные формы: от исходного, отражённого от реального объекта, модулированного физического поля, до представления его в виде связанного по определённому закону массива чисел. Причём, в качестве исходных физических полей могут быть как световые (в виде светового потока), ультразвуковые, радиоизотопные, так и другие виды физических полей. Обработка такого массива данных в реальном масштабе времени для решения задачи автоматического распознавания образов, даже для современных ЭВМ, является достаточно проблематичной. Кроме того, все промежуточные преобразования форм информации порождают свои специфические искажения, влияющие на погрешность получения конечного результата и тем самым на достоверность опознавания образов и их классификацию. Поэтому, наряду с разработкой эффективных методов распознавания и классификации, не менее активно решалась задача поиска оптимальных или хотя бы рациональных алгоритмов всех промежуточных преобразований форм информации в цифровой эквивалент и способов коррекции соответствующих составляющих погрешностей в АСОИЗ.

Особенностью биомедицинских изображений является их относительно сложная структура, включающая в определённом смысле подобные, вложенные друг в друга геометрические фигуры неправильной формы, с нечётко очерченными границами. Принятая в работе структуризация изображения представлена на рис.1. Для решения проблемы, связанной с отсутствием априорной информации о пороговых значениях выбранных свойств сегмента, предложен метод обработки изображений на основе НС. Методы, основанные на использовании архитектур НС, позволяют снизить, а иногда и совсем избавиться от использования априорной информации для задания значений порогов при расщеплении и анализе полисегментарных изображений и через механизм предварительного обучения синтезировать различные классы полисегментарных изображений. Отмеченные преимущества, а также подробный анализ основных направлений развития и применения различных типов НС определил цель диссертационной работы - проведение исследований и разработка

методического, алгоритмического, программного обеспечения и систем распознавания и классификации полисегментарных изображений для решения задач медико-биологического применения на основе использования архитектуры НС.

Г-*4 -

л

* х 'ТН-

* * -

Объекты {О,}, о - 0,1,2. ... >

Фрагменты О ■ 0.1,2.....п)

Сегме нты {в*}. 0,1,2.....

Р^ЙЕЙЖМ^'^лГг!! А" =- >-.1.4' к

Рис. 1. Структура биомедицинского изображения.

Во второй главе рассмотрены вопросы предварительного преобразования, обработки и определения комплекса признаков биомедицинских изображений. Предварительная обработка информации применяется в основном для коррекции и повышения достоверности результатов преобразования первичной информации, считываемой с рецепторного поля. Переход в новое пространство признаков приводит к значительному повышению эффективности применения НС на заключительном этапе решения задачи опознавания и классификации. Однако, для определения признаков изображения, морфологическое описание которого применительно к анализу биомедицинских изображений целесообразно представить в виде сегментов, фрагментов и объектов, необходимо найти адекватные и достаточно эффективные методы и алгоритмы, посредством которых можно было бы осуществить сегментацию и фрагментацию изображения с последующим синтезом и классификацией изображений. В работе рассмотрены алгоритмы предварительной обработки

информации посредством изменяющейся апертуры и с использованием обучаемой НС, когда считываемая с рецепторного поля информация в виде функции яркости или денсиметрической функции обрабатывается в соответствии с заданным функционалом в окрестности анализируемой точки (точки'с заданными координатами).

Последовательным сдвигом окрестности относительно первоначального значения осуществляется «скользящая» обработка исходной информации в соответствии с оператором:

к + М 12 р+Н /2

Р(к,р)= I _ £ 0 (N-1, М-^-У^ ( У)], к =1,2, ... ,п; р = 1,2,..., т.где

есть априорно заданная функция, действующая в пределах указанной окрестности (апертуры); параметры N и М - определяют размеры апертуры, причём N и М задаются априорно, а п - зависит от размеров рецепторного поля и величин N и М ( обычно выбирается N = М); Щ,}) - функция яркости или оптической плотности, описывающая анализируемое изображение; ^[Д ])] - оператор, определяющий преобразование функции яркости в пределах выделенной апертуры (для линейного преобразования (©) = а© + в, где айв заданные постоянные, равные, например, 1 и. О для линейного усреднения).

Величина окрестности анализируемой точки изменяется в соответствии с заданной, как правило, линейной закономерностью и выбирается как на основе априорной информации о виде анализируемого сегмента, так и адаптивно при отсутствии априорной информации о форме и размерах сегмента. В последнем случае информация об окрестности анализируемой точки считывается посредствам адаптивного алгоритма при радиально-круговом считывании. Благодаря изменению размера апертуры и вида усредняющего функционала осуществляется селективная обработка исходного изображения, что позволяет выделять сегменты, фрагменты и объекты изображения на фоне воздействия анизотропной помехи различной интенсивности. Селективная обработка особенно важна при анализе биомедицинских изображений из-за их специфики. Размер апертуры выбирается с учётом компромисса между требованием к уровню подавления помехи и величиной погрешности измерения контура анализируемого сегмента. Поиск и выделение сегментов для последующей обработки и классификации предлагается осуществить посредствам НС. В этом случае процесс опознавания и классификации разбивается на следующие этапы. На первом этапе производится обучение НС на априорно заданном классе сегментов. Процесс обучения осуществляется стандартным способом,

при и М а ]

при N < I и М < I

описанным в литературе, и адаптированным применительно к рассматриваемому случаю. На следующем этапе осуществляется сканирование области рецепторного поля по определённому закону, например, построчным сканированием в пределах анализируемого сегмента, либо радиально-круговым сканированием, либо сканированием по контуру. Заключительным этапом является переход к другому сегменту, анализ которого осуществляется аналогичным способом. Результатом полного сканирования рецепторного поля являются получение сведений о множестве сегментов, включающих сведения об их положении на рецепторном поле. Поскольку изображение построено по иерархическому принципу, то следующая группа НС обучается на выделение фрагментов. На рис.2 представлена иерархическая схема обработки изображений.

Внешнее воздействие

Исходное изображение

Внешнее воздействие

Рис. 2. Иерархическая схема обработки изображения.

Принцип предварительной обработки изображений позволяет на последующем этапе формировать признаки, инвариантные к сдвигу, вращению, изменению масштаба и суммарной яркости. Данный принцип

состоит в том, что посредством адаптивного алгоритма осуществляется интерполяция (аппроксимация) сегмента, так называемыми примитивами, то есть простейшими функциями восстановления с погрешностью восстановления, не превышающей в установленном смысле заданной величины. Адаптивность алгоритма позволяет сохранять инвариантность параметров примитивов по отношению к анализируемому сегменту независимо от указанных выше преобразований изображений.

Адаптивный алгоритм построения примитивов состоит в следующем:

• внутри сегмента фиксируется любая точка отсчёта с координатами (х0,уо) или начальным вектором Го (механизм установления данной точки может быть любым, в том числе случайным);

• из полученной точки в соответствии с принципом радиально-кругового считывания строятся вектора, длина которых и положение относительно друг друга определяется в соответствии с нижеописанным адаптивным итерационным алгоритмом;

• на построенных векторах формируются (фактически измеряются с заданной в установленном смысле погрешностью) примитивы, представляющие собой простейшие геометрические фигуры, сумма площадей которых равна площади анализируемого сегмента, а сумма соответствующих сторон равна периметру или длине контура анализируемого сегмента.

Из заданной точки Го формируется начальное число векторов г, (¡=1, ... , ш), расположенных друг относительно друга под фиксированным одинаковым углом Ощ. Для фиксированного т длина 1 - го вектора, число векторов ш и, следовательно, угол между векторами ат изменяются в соответствии с итерационными алгоритмами:

х,( п+1) = х, ( п ) - ^ { Ч» [ Ф1№0)Дг, (п))Дг, - ,(п)>, _ 2(п)),.. .Дп _ р(п)),

От(П)),5]}

т(п+1) = т(п) - { ф2 (Г! (п ),г; _п), ^ . 2( л ),..., ъ _ к( п), ат(л)) - 5т]},

х,( п+1 ), х,- (п) - длина указанных векторов на п+1 и п-ой итерации; (0) -функция яркости для указанных в формуле значений аргумента; pi - заданная постоянная достаточно малая величина, определяющая величину шага итерации для ¡-го вектора г на п-ом шаге итерации; ср1(0) - функция восстановления яркости анализируемого сегмента по её измеренным, указанным в формуле, дискретным значениям; <рг (0) - функции восстановления контура сегмента по известным "р" и "к" значениям составляющих вектора Я; ¥ {©} - мера отклонения функции восстановления

от её заданной величины 6; 6 и 5т - заданные величины погрешности восстановления контура сегмента; 0 - соответствует указанным в формуле переменным.

Заданные погрешности восстановления 6 и бт в общем случае можно определить как функции от составляющих вектора и заданного параметра. Подробно исследованы случаи для кусочно-ступенчатой и кусочно-линейной функции восстановления ср2 (©) и показано, что радиально-круговой метод считывания особенно эффективен при определении геометрических признаков.

Исследован общий подход к процессу формирования рационального комплекса признаков полисегментарных изображений с использованием НС. На основе данного подхода решена задача иерархического описания биомедицинских изображений и получены в общем виде оценки погрешности измерения геометрических признаков.

Проведено теоретическое и модельное исследование особенностей применения архитектуры НС с обратным распространением ошибки (Ьаскргора£а1юп) на примере описания и классификации сегментов. Функции выходов нейронов многоуровневой сети определены следующим образом:

(»1 *-1

где I - количество нейронов скрытого слоя; К - количество нейронов входного слоя; I - количество нейронов выходного слоя. Выходное значение нейрона] в слое т имеет вид:

0|(ш> =(1 + ехр( -I уу^о, <„,_,> + Ь,)), ' где у/. - весовой коэффициент связи между нейроном ] в слое (т) и нейроном 1 в слое (т-1); Яш ~ выход нейрона 1 в слое (т-1). Изменение весового коэффициента связи от узла I к узлу ^ равное Д\%т), должно быть пропорционально величине сигнала ошибки э, и выходному сигналу 0)(пИ) предыдущего слоя нейронной сети (т-1): Д№,!(т) = а ■ • о^.,,, где а - коэффициент пропорциональности или величина шага обучения; ш -номер слоя. Величина сигнала невязки (ошибки) определяется путем дифференцирования квадратической ошибки между реальным откликом сети и ожидаемым откликом на обучающий сигналу = - о^ • Г(Ч])-

Одной из основных проблем, затрудняющих использование алгоритма backpropagation является медленная сходимость. Величина изменения веса или размер шага определяется через шаг обучения а. Аддитивное введение константы /? в исходный итерационный алгоритм приводит к эффекту "проскакивания" мелких локальных минимумов. В результате добавления

и

константы ¡3 алгоритм коррекции весовых коэффициентов имеет следующий вид: дм/1*;, = а ■ Э,ойт_„ + р • Ду^,,где о < р <. 1; 1 - номер итерации. Исследованы зависимости скорости сходимости сети и суммарной ошибки от соотношения коэффициентов а и р. В результате проведённых исследований были получены количественные оценки параметров НС и алгоритмов, лежащих в основе процесса обучения НС. В частности, исходя из анализа полученных данных коэффициенты сети при решении задачи сегментации выбраны как а-0.5 и /3=0.75.

В третьей главе на основе опыта эксплуатации АСОИЗ «Нейронное зрение» показано, что эффективность использования автоматизированных систем обработки изображений в практической медицине зависит в первую очередь от оптимального сочетания опыта и интеллекта врача с его знанием возможностей современных методов автоматизированной обработки информации. С учётом особенностей обработки медицинских изображений на основе общего методического подхода были разработаны отдельные методики в зависимости от типа анализируемых изображений. Так, для анализа рентгенологических изображений необходимо выполнить этапы, включающие: загрузку изображения; предварительную обработку для повышения резкости и контрастности; обучение на тестовых объектах НС; сегментацию изображения при помощи НС; морфологическую обработку результатов сегментации, включающей заполнение дыр, разделение гранул; настройку НС на режим опознавания; формирование вектора признаков; классификацию объектов по вектору признаков; выделение контура итоговых объектов; заключительную логическая обработка. Приведены аналогичные методики и результаты обработки гистологических препаратов и ультразвуковых изображений.

С целью оценки качества трёх алгоритмов сегментации (порогового, динамической дискриминации и нейросетевого) при работе с малоконтрастными полисегментарными изображениями в условиях воздействия шумов в разделе приведены результаты сравнения их использования при различной интенсивности шумов и способов дополнительной обработки изображений. Для эксперимента была построена модель изображения, включающего в себя фрагменты, объекты и сегменты, имеющие различные уровни контраста по отношению к фону. На модельное изображение накладывался аддитивный нормальный шум с различными значениями дисперсии (от 20 до 60). Сравнение результатов сегментации (рис.3) показывает, что нейросетевой метод более устойчив к шумам, причём относительное качество сегментации возрастает с ростом интенсивности шума.

Рис. 3. 3.1 - модельное изображение биомедицинских , объектов, подвергшееся

воздействию нормального шума ' с СКО, равным 60, 3.2,3.3 ~ : 1

результаты

методами

дискриминации

сегментации;

результаты

методами

дискриминации

сегментации

динамическои и пороговой 3.5,3.6

сегментации динамической и пороговой сегментации с постобработкой медианным фильтром;

3.4.-результат сегментации при помощи НС без постобработки.

В четвёртой главе проведён анализ основных параметров и функциональных возможностей разработанной при непосредственном участии автора автоматизированной системы обработки изображений «Нейронное зрение».

Система «Нейронное зрение» позволяет выполнять следующие группы операций: работа с файлами; предварительная обработка; сегментация и классификация, в том числе на основе НС; измерения в автоматическом и интерактивном режимах; морфологическую обработку; выделение контуров и скелетонизацию объектов; составление автоматизированных методик обработки изображений. Для построения методики обработки гистологических препаратов на примере обработки клеток костной ткани кролика вычисляли количество клеток в каждом исследуемом квадрате препарата, последующее сравнение проводили между группами. Автоматический режим обработки дал возможность провести большое число измерений, а математический анализ - сравнить полученные цифры с высокой степенью достоверности. Так, например, выборка при морфометрическом исследовании ядер составила: в группе кроликов с экспериментальным артрозом, выведенных из эксперимента на сроке 1 месяц, - 655 ядер, в группе кроликов с экспериментальным артрозом, выведенных из эксперимента на сроке 4 месяца,- 361 ядро, в группе интактных кроликов - 1173 ядра, в группе изучения эффективности Альгогеля у животных, выведенных из эксперимента на сроке 1 месяц, - 2773 ядра, в группе изучения эффективности Альгогеля у животных, выведенных из эксперимента на сроке 4 месяц,- 3646 ядер.

Специалисты утверждают, что для исследования такого количества ядер без применения средств автоматической обработки потребовался бы не один десяток лет. Кроме того, оценка ряда параметров, например, коэффициента формы для ядер, является новой возможностью для исследователей. На рис.4 представлен интерфейс системы "Нейронное зрение" во время формирования методики обработки изображения гистологического препарата.

^НЕЙРОННЫЕ ЗРЕНИЕ

Рзаэк^ор-. Обработка;

" 1

щщ ШНПл ^4. ? вч Повышение м Изменение ма Прн помощи С1 По порогу ^ЩТ^^^^^ЗЩВВР'Заполнить ды ■НЯМЦНМ* Разделить гра 'Создать окно

Момент ■{■■НКИЯВ: Момент ^^^^^^Н^ВРЬ^^В Момент ^^Щ^^КВН Момент ■ИЯ^^^Н^КИзмерение ... По порогу [^^■¡^^^Ц^^^^^Л'ВыБрать объс! ^НЦ^НВЯ^^^ВЗДегестор Роб< [НнВНННашННн Логическое сл 111' '..2.^. .. Пауза

ШЫШВШЬШШЯ V Закрыть нее Ь еМ^ 4 * ¿Л«-. »/ % , '

•«СГ.:. ,ч„Д. „ [, „ Л^ггр^Шм ¿1т < * и * § * * ? * и * х, 1.

Рис. 4. Этапы обработки изображения препарата клеток костной ткани кролика.

ЗАКЛЮЧЕНИЕ

Решение задач, сформулированных в диссертационной работе, направлено на разработку методического, алгоритмического, программного обеспечения и систем распознавания и классификации полисегментарных изображений для решения задач медико-биологического применения в интересах объективизации диагностики и повышения производительности труда медицинского персонала.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ

1 На основе проведённого анализа известных подходов, посредством теории и методов нейронных сетей для предварительного анализа, обработки и классификации изображений решена задача сегментации и

фрагментации на основе иерархического описания полисегментарных биомедицинских изображений.

2 С учётом разработанного иерархического описания полисегментарных биомедицинских изображений определён, методически обоснован и описан инвариантный к исходным преобразованиям рациональный комплекс признаков (пространство признаков), посредствам которого в условиях определённых ограничений на объём априорной информации решена задача опознавания и классификации биомедицинских изображений.

3 Разработан и исследован адаптивный метод и предложены конкретные алгоритмы радиально-кругового считывания информации с рецепторного поля, что позволяет решить задачу сжатия информации при описании изображений инвариантным комплексом признаков.

4 Проведённый сравнительный теоретический и экспериментальный анализ помехоустойчивости различных методов обработки и сегментации изображений показал, что разработанный в диссертации нейросетевой метод даёт более качественный результат сегментации по сравнению с другими методами по критериям достоверности и устойчивости к шумам, даже в том случае, когда для других методов используется дополнительная предварительная обработка изображений.

5 Предложенные и исследованные в диссертации методы и алгоритмы, наряду с известными подходами и методами, были внедрены в разработанную при непосредственном участии автора систему для цифровой автоматизированной обработки изображения «Нейронное зрение». Разработанное программное обеспечение с иерархически организованной системой пользовательского меню обеспечивает удобную и доступную эксплуатацию системы «Нейронное зрение» в целом и минимизирует временные и стоимостные затраты на подготовку операторов со средней квалификацией.

6 Разработанные и внедрённые методики автоматизированной обработки рентгеновских, ультразвуковых и гистологических полисегментарных изображений позволяет существенно ускорить (более, чем на порядок) процесс исследований и диагностики, получать качественно новые результаты и повышать их достоверность. Значение внедрённого метода связано в первую очередь с объективизацией диагностики и повышением производительности труда лечащего врача подтверждается врачами-диагностами и исследователями, использующими систему «Нейронное зрение», что нашло отражение в приведённых в приложениях диссертации актах внедрении.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Гуров A.A., Касумова М.К., Лалыко Л.Б., Макулов В.Б., Паук В.Н., Тимановский С.Д. Пакет прикладных программ по обработке изображений, Серия "Обработка оптических изображений", Методическое пособие, Выпуск VIII, Ленинград, 1990.

2. Аврунин A.C., Демеш О.В., Касумова М.К., Павлова В.А. Перспективы и возможности цифровой обработки изображений в медицине (обзорно-методическое исследование), Травматология и ортопедия России №3 1996.

3. Паук В.Н., Касумова М.К., Тимановский С.Д. Сравнение алгоритмов быстрых преобразований Фурье Кули-Тьюки и Винограда. Труды ГОИ, т. 64, вып. 198,1987.

4. Kasumova M.K. A Backpropagation Neural Network Applied to Image Segmentation and Recognition. Pattern Recognition and Image Analysis, Vol.2, No 4,1992.

5. AC "Способ обнаружения объектов на тепловизионном изображении". Решение Р-1245 от 13.05.88. Заявка 3174484/24-24 от 29.06.87.

6. Касумова М.К., Павлова В.А., Трухоненко М.В. Алгоритм решения задачи сопоставления реальных изображений. Труды ГОИ, "Иконика", вып.213, 1992.

7. Касумова М.К. Сегментация изображений в задачах опознавания. Труды ГОИ, "Иконика", том 79, вып.213,1992.

8. Касумова М.К., Катинас Г.С., Рехачева И.П. Исследование структуры мышечного волокна на основе использования нейросетевого анализатора изображений. Материалы научной конференции "Критерии иметоды оценки жизнеспособности тканей в раневом процессе", С-Петербург,1993.

9. Яковлева Е.Д., Касумова М.К. Компьютерная система «Нейронное зрение» при анализе эхограмм стенки желудка. Тезисы докладов научной конференции «Резервы здоровья человека и эффективность лечения», С-Петербург, 1998.

10.Е.И. Коган, М.К. Касумова, Л.О. Анисимова, В.В. Кормильченко, М.А. Абрамова. «Возможности и перспективы использования компьютерных систем в патологоанатомической лаборатории». Демонстрация на обществе патогоанатомов С-Петербурга 6.06.95.

11 .М.К.Касумова. Решения в области информационных технологий. Научно-практический журнал «Институт Стоматологии» №1(1) сентябрь 1998 г.

12.М.К.Касумова, А.П.Вихров. Единая система ведения электронных карточек для ассоциации стоматологических клиник. Научно-практический журнал «Институт Стоматологии» №1(2) январь 1999 г.

13.Ю.В.Шуваева, М.К.Касумова. Диагностические методы обследования и ведения ортодонтических пациентов с использованием индивидуальных компьютерных карточек. Научно-практический журнал «Институт Стоматологии» №2(3) май 1999 г.

М.Кураскуа А.А., Касумова М.К. и др. Применение современных информационных технологий для оптимизации диагностического процесса в амбулаторной стоматологической практике. Научно-практический журнал «Институт Стоматологии» №1(6) март 2000 г.

15.Касумова М.К., Тихонов Э.П. Адаптивный метод формирования признаков для автоматической классификации биомедицинских изображений// "Intelligent systems and Information Technologies in Control" IS&ITC - 2000, Proceeding of the International Scientific Conférence (Pskov, June 19-23, 2000)

16.Кураскуа A.A., Дударев A.JI., Касумова М.К.Опыт использования в амбулаторной стоматологической практике Медицинской Ассоциации «Меди» современных достижений телестоматологии и телерадиологии// "Intelligent systems and Information Technologies in Control" IS&ITC - 2000, Proceeding of the International Scientific Conférence (Pskov, June 19-23, 2000)

17.Корнилов H.B., Афиногенов Т.Е. и др. Морфометрическое исследование хряща с использованием новых программных средств на примере экспериментального артроза у кроликов.Травматология и ортопедия России №1 с.с.42-47, 1996.

Прогресс, достигнутый в последние десятилетия в развитии программно-аппаратных методов представления и обработки информации на базе современных достижений технологий в области микроминиатюризации электронных средств и вычислительной техники, ставит вопрос о широком применении названных методов в различных сферах человеческой деятельности, в том числе в таких, которые до сих пор слабо поддавались процессу автоматизации из-за возникающих трудноразрешимых проблем. Именно к таким проблемам относятся задачи автоматической обработки визуальной информации в медико-биологических исследованиях, в том числе в клинической морфологии человека, гистохимии, электронной микроскопии, рентгеновской денситометрии, молекулярной биологии и других видах исследований, где фактический материал, как по объему информации, которую требуется обработать, систематизировать и интерпретировать, так и по содержанию далеко превышает физические возможности человека. Например, отдельные нервные клетки имеют многообразные формы и размеры в несколько сотен микрон, а их количество в поле зрения, даже при значительном увеличении, достигает тысячи единиц.

Особенно остро эти проблемы затрагивают область автоматического анализа биомедицинских изображений на основе аппаратно-программных комплексов (АПК), создание которых становится возможным только на стыке различных наук, таких как биология, медицина, математика, информатика, электроника. Отличительной стороной обработки, описания и представления биомедицинских изображений является необходимость предварительного анализа, описания и опознавания сегментов полисегментарных изображений на различных фонах, определения ориентации, координат, геометрических характеристик и других параметров с последующей классификацией объекв тов сегментированных изображений. Операции по считыванию информации с реальных исследуемых объектов, анализ и идентификация полученных изображений осуществляется соответствующими техническими средствами и сопровождается обработкой большого объёма информации. При анализе медико-биологических изображений, после преобразования их в цифровую форму составляются их двухмерные описания (в настоящее время проводятся работы по трёхмерному описанию), которые не зависят от времени и относятся к статическим изображениям. Для сегментации изображений используются разнообразные алгоритмы, из которых наибольшей эффективностью обладают алгоритмы поиска и выделения контуров, например, посредством пространственного дифференцирования, на основе применения пороговых методов, операций свёртки и т.п.

Указанная особенность обработки исходной информации привела к необходимости применения для решения задачи распознавания полисегментарных образов и их классификации нейронных сетей (НС), отличительными признаками которых является универсальность, способность к обучению и, что очень важно для решаемой задачи, создание условий для параллельной обработки большого объема цифровой или аналоговой информации в условиях априорной неопределённости о типе, положении и ориентации объекта на рецепторном поле (в поле зрения видео датчика).

Актуальность темы диссертационной работы определяется дальнейшим ростом потребности в автоматической обработке визуальной медико-биологической информации на основе развития методико-алгоритмической базы и совершенствования программно-аппаратных средств. Тема диссертационной работы связана с решением научной проблемы автоматической обработки, опознавания и классификации полисегментарных изображений на базе АПК с использованием архитектуры НС. К решению данной проблемы, помимо задачи предварительного преобразования, цифрового представления и обработки входного многомерного сигнала, относятся задачи, связанные с поиском и разработкой методов и эффективных алгоритмов выделения, опознавания и классификации полисегментарных изображений, ориентированных на применение в НС. При разработке подобных методов и алгоритмов обособленное положение занимают проблемы поиска, выделения, анализа и адекватного описания сегментов полисегментарных изображений комплексом признаков для решения задачи их автоматической классификации. Актуальность решения данной задачи постоянно возрастает на фоне дальнейшего развития биологии и медицины с учётом повышенных требований к оперативности и достоверности при сохранении качества в получении информации по результатам обработки большого объёма информации.

Цель диссертационной работы состоит в исследовании существующего и разработке нового методического, алгоритмического, программного обеспечения и систем распознавания и классификации полисегментарных изображений для решения задач медико-биологического применения на базе современных технических средств в интересах объективизации диагностики и повышения производительности труда медицинского персонала.

Для достижения поставленной цели в диссертации сформулированы и решены следующие задачи:

- анализ и теоретическое обоснование решения задачи сегментации и фрагментации биомедицинских изображений с использованием архитектуры НС;

- разработка методов анализа и синтеза признаковых комплексов сегментов, фрагментов и объектов полисегментарных биомедицинских изображений с учётом особенностей применения нейросетевого классификатора;

- разработка адаптивных методов считывания информации с рецепторного поля и формирования комплекса признаков, инвариантных к преобразованиям полисегментарных изображений на базе НС;

- разработка автоматизированной системы обработки биомедицинских изображений с использованием архитектуры НС;

- разработка методик обработки, опознавания и классификации полисегментарных гистологических, рентгенологических, ультразвуковых изображений на базе разработанных методов и алгоритмов опознавания и классификации биомедицинских изображений с учётом современных требований к формированию автоматизированного рабочего места врача. Методы исследования. В работе использованы методология системного анализа и искусственного интеллекта, в том числе теории НС, математический аппарат теории вероятностей, теории случайных процессов, математической статистики, методы машинного моделирования, планирования эксперимента и обработки экспериментальных данных. Экспериментальные исследования выполнены с использованием методов имитационного моделирования на основе стандартных и вновь разработанных пакетов прикладных программ на автоматизированных рабочих местах врачей. Научные положения, выносимые на защиту.

1. Метод описания полисегментарных изображений на основе комплекса признаков с целью решения задач дискриминации полисегментарных изображений на базе нейросетевого классификатора, позволяющие детерминировать семантически значимые сегменты, фрагменты и объекты биомедицинских изображений, используя минимум априорных знаний об анализируемых изображений.

2. Методы предварительной обработки полисегментарных биомедицинских изображений применительно к нейросетевой дискриминации полисегментарных изображений, что дает возможность выделить признаковые комплексы синтезированных изображений в условиях снижения уровня априорной информации об исходных объектах исследования.

Новые научные результаты, подтверждающие эти положения:

- предложены и теоретически обоснованы методы описания и предварительного анализа полисегментарных биомедицинских изображений на ба3 зе нейросетевого классификатора, позволяющие выделять и анализировать комплексы признаков синтезированных полисегментарных изображений при существенном снижении уровня априорной информации по сравнению с известными методами;

- предложен и исследован адаптивный принцип радиально-кругового считывания информации и формирования комплекса признаков, инвариантных к преобразованиям исходного изображения;

- разработан метод иерархической обработки, опознавания и классификации полисегментарных биомедицинских изображений на базе нейросете-вой дискриминации сегментов, фрагментов и объектов полисегментарных изображений;

- разработан метод нейросетевой фрагментации полифрагментарных биомедицинских изображений, который обладает большей помехоустойчивостью по сравнению с известными методами аналогичного применения. Практическую ценность работы составляют:

- метод описания полисегментарных биомедицинских изображений в пространстве признаков для решения задачи нейросетевой дискриминации;

- метод синтеза и анализа признаковых комплексов (пространства признаков) полисегментарных биомедицинских изображений применительно к нейросетевому классификатору;

- методики автоматизированной обработки полисегментарных гистологических, рентгенологических и ультразвуковых изображений;

- разработанная на основе теоретических исследований автоматизированная система обработки изображений (АСОИЗ) "Нейронное зрение". Внедрение результатов. Методы обработки полисегментарных медицинских изображений на базе нейросетевой дискриминации и методы анализа признаковых комплексов синтезированных полисегментарных изображений составили основу для создания АСОИЗ "Нейронное зрение". Созданная система существенно расширяет возможности исследователей при использовании ее в цитологии, гематологии, гистологии, рентгенологии и др. научных направлениях, связанных с анализом изображений, и значительно экономит трудозатраты при выполнении потока стандартных операций над изображениями.

АСОИЗ «Нейронное зрение» находится в эксплуатации на трех отделениях РосНИИ ТО им. Р.Р.Вредена, в Городской инфекционной больнице №30 им. С.П.Боткина, в Санкт-Петербургской Государственной медицинской академии им. И.И.Мечникова, в Медицинской Ассоциации «Меди».

Апробация работы. Результаты работы докладывались и обсуждались на конференции по АСОИЗ (ЛЭТИ им. В.И.Ульянова (Ленина), 1991), на обществе патологоанатомов (1995), на семинарах кафедры БМЭ и ОС СПб ТЭТУ (1998), опубликованы в трудах Международной научной конференции «Интеллектуальные системы и информационные технологии управления» ИСИ-ТУ-2000-18&1ТС (г. Псков, 2000). АСОИЗ "Нейронное зрение" экспонировалась на международных выставках "Больница-92", "Больница-93", на выставках-конкурсах в 1-ом Медицинском Институте в 1992,1993 годах. По результатам выставки 1992 года имеется диплом за лучшее программное внедрение в области медицины в 1992 г.

Публикации. По теме диссертации опубликовано 16 научных работ, в том числе 9 статей, 3 доклада, 1 методическое пособие, 2 тезисов докладов и 1 авторское свидетельство на изобретение.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 81 наименование, и одного приложения. Основная часть работы изложена на 138 страницах машинописного текста. Работа содержит 25 рисунков и 6 таблиц.

Выводы

1. Для повышения помехоустойчивости и надёжности сегментации и классификации предложен способ предварительной обработки информации на основе преобразования функции яркости в соответствии с заданным оператором в пределах переменной апертуры. Это позволило решить задачу повышения помехоустойчивости при заданной разрешающей способности описания сегментов биомедицинских изображений комплексом признаков.

2. Предложен принцип сегментации изображений, на основе предварительно обучаемой нейронной сети на множестве тестовых сегментов биомедицинских изображений. Применение предложенного принципа с использованием яркостных, текстурных и комбинированных признаков сегментации существенно упрощает и повышает достоверность выделения, разделения и описания сегментов комплексом признаков при минимальной априорной информации.

3. Предложен (в соавторстве) и исследован адаптивный принцип ради-ально-кругового считывания информации с рецепторного поля и описания, так называемыми примитивами, сегментов полисегментарных биомедицинских изображений. Проведённые теоретические исследования показали, что применение данного принципа значительно упрощает формирование и существенно сокращает размерность комплекса признаков инвариантного к преобразованиям исходного изображения типа сдвига, изменения масштаба, вращения.

4. Сформулирован и исследован общий подход к процессу формирования рационального комплекса признаков полисегментарных изображений с использованием нейронных сетей. На основе данного подхода решена задача иерархического описания биомедицинских изображений и получены в общем виде оценки погрешности измерения геометрических признаков.

5. Проведено теоретическое и модельное исследование особенностей применения архитектуры нейронных сетей с обратным распространением ошибки на примере классификации сегментов. В результате проведённых исследований были получены количественные оценки параметров нейронной сети и алгоритмов, лежащих в основе процесса обучения нейронных сетей.

8?

3. Методы обработки, сравнительный анализ и оценка эффективности полисегментарных биомедицинских изображений на базе нейросетевого классификатора

Применение современных информационных технологий для автоматизации диагностики в амбулаторной стоматологической практике на базе телеметрических систем не возможно без адекватного методического, математического, программного и аппаратного обеспечения. Стремительный прогресс в области аппаратного обеспечения стимулирует дальнейшее развитие и практическое применение методико-алгоритмического сопровождения таких задач, практическое решение которых ранее было бы невозможно.

В настоящее время в ЗАО «Меди» эксплуатируется Цифровая Медицинская Система (ЦМИС), которая является частью корпоративной информационной системы [67,81]. Помимо аппаратной части, системы телекоммуникаций, операционную систему и системы управления базами данных, ЦИС оснащена прикладным программным обеспечением, в том числе, для ведения электронных карточек пациента, где, в частности, хранится история болезни пациента, планы лечения, соответствующая видеоинформация и т.п. (рис.12).

Опыт эксплуатации ЦИС стимулируют дальнейшее совершенствование автоматизированных методов обработки, в том числе рентгенологических изображений, что связано в первую очередь с объективизацией диагностики и повышением производительности труда лечащего врача [68,69,70].

Рис.12

Схема цифровой медицинской информационной системы.

3.1 Методы обработки полисегментарных изображений

Введение в практику рентгеновских денситометров, автоматизированных рабочих мест рентгенологов и гистологов служит немаловажным стимулом для развития методов обработки медицинских изображений [71,72]. Объективизация диагностики достигается количественной оценкой параметров, которые ранее врачём-диагностом оценивались преимущественно по качественным характеристикам. Однако эффективность использования автоматизированных систем обработки изображений в практической медицине зависит в первую очередь от оптимального сочетания опыта и интеллекта врача со знанием возможностей современных методов автоматизированной обработки информации. Чёткая формулировка последовательности действий врача-диагноста позволяет достичь максимального эффекта при эксплуатации автоматизированных систем обработки изображений. Поэтому целью проведённых исследований является разработка методов и стандартных алгоритмов автоматической обработки полисегментарных изображений.

Методы обработки полисегментарных изображений зависят от конкретной области применения и в соответствии с этим включают в себя ниже приведённые методики.

3.1.1 Методика обработки полисегментарных рентгенологических изображений

Методика обработки полисегментарных рентгенологических изображений отрабатывалась на примере анализа 30 рентгенограмм хвостового отдела позвоночника крыс массой 180-220 г. Рентгенографию крыс проводили под наркозом (вводилось 3,0 мл 1% гексенала внутрибрюшинно) в стандартной боковой проекции на аппарате Электроника -100 при постоянных значениях параметров прибора (напряжения, силы тока, фокусного расстояния, времени выдержки) и одинаковом режиме обработки рентгеновской пленки.

В соответствии с проведёнными исследованиями отработан следующий метод автоматизированной обработки рентгенологических изображений, который состоит из следующих этапов:

1. Загрузка изображения, включающая ввод в память информации о микроизображении и фоне.

2. Предварительная обработка изображения для повышения резкости и контрастности, состоящая из вычитания фона из изображения микропрепарата.

3. Обучение на тестовых объектах нейронной сети с целью выделения позвонков из общего фона.

4. Сегментация изображения при помощи нейронной сети на основе делинеаризации и динамической сегментации.

5. Морфологическая обработка результатов сегментации, включающая заполнение дыр и разделение гранул.

6. Настройка нейронной сети на режим распознавания.

7. Формирования вектора геометрических признаков: площади, периметра, фактора формы, отношения максимального и минимального диаметров, геометрических моментов.

8. Классификация объектов по вектору геометрических признаков.

9. Выделение контура итоговых объектов.

10.Наложение посредствам операции логического сложения контуров полученных объектов на исходное изображение.

Рис. 13 Методика обработки рентгенологического изображения при помощи нейросетевого классификатора.

Я<1

3.1.2 Методика обработки гистологических изображений.

При гистологических исследованиях очень важной дополнительной информацией, представляемой АСОИЗ, являются характеристики оптических свойств клеток, ядер, межклеточного вещества, геометрических параметров клеток и их органелл, специфические особенности распределения окраски ит. п. Большинство из этих данных не могут быть определены обычными традиционными методами или их выявление связано со значительной трудоёмкостью (проведение вручную сканирования и измерения большого числа объектов в препарате).

Методика автоматизированной обработки гистологических изображений отрабатывалась на примере оценки изменения в хряще при экспериментальном артрозе с использованием средств системы «Нейронное зрение» [53]. Эксперимент проводился на 24 взрослых кроликах. Животные были разделены на три группы. Группы сравнения различались по тяжести заболевания. Информация о состоянии соответствующих групп кроликов сопоставлялась между группами, включая контрольную группу.

Для подсчета количества ядер, их площади и коэффициента формы исследовали по 40 квадратов 110x110 мкм в 20 полях зрения в каждой группе животных (рис. 14).

Вычисляли количество клеток в каждом квадрате, с последующим сравнением между группами. Автоматический режим обработки дал возможность провести большое число измерений, а математический анализ - сравнить полученные результаты с высокой степенью достоверности.

Так, например, выборка при морфо-метрическом исследовании ядер в группе кроликов с экспериментальным артрозом, выведенной из эксперимента на сроке 1 месяц,, составила 655 ядер. В группе кроликов с экспериментальным артрозом, выведенной из эксперимента на сроке 4 месяца, составила 361 ядро. А в группе интактных кроликов - 1173 ядра.

При изучении эффективности воздействия Альгогеля у животных, выведенных из эксперимента на сроке 1 месяц, выборка составила 2773 ядра, а в группе животных, выведенных из эксперимента на сроке 4 месяц, соответственно - 3646 ядер.

Нормализация данных эксперимента приведена в таблице 4.

Заключение

В настоящей диссертационной работе получены следующие научные и практические результаты.

1. На основе проведённого анализа известных подходов, посредством теории и методов нейронных сетей для предварительного анализа, обработки и классификации изображений решена задача сегментации и фрагментации на основе иерархического описания полисегментарных биомедицинских изображений.

2. С учётом разработанного иерархического описания полисегментарных биомедицинских изображений определён, методически обоснован и описан инвариантный к исходным преобразованиям рациональный комплекс признаков (пространство признаков), посредст

1Ъ1 вам которого в условиях определённых ограничений на объём априорной информации решена задача опознавания и классификации биомедицинских изображений.

3. Разработан и исследован адаптивный метод и предложены конкретные алгоритмы радиально-кругового считывания информации с ре-цепторного поля, что позволяет решить задачу сжатия информации при описании изображений инвариантным комплексом признаков.

4. Проведённый сравнительный теоретический и экспериментальный анализ помехоустойчивости различных методов обработки и сегментации изображений показал, что разработанный в диссертации нейросетевой метод даёт более качественный результат сегментации по сравнению с другими методами по критериям достоверности и устойчивости к шумам, даже в том случае, когда для других методов используется дополнительная предварительная обработка изображений.

5. Предложенные и исследованные в диссертации методы и алгоритмы, наряду с известными подходами и методами, были внедрены в разработанную при непосредственном участии автора систему для цифровой автоматизированной обработки изображения «Нейронное зрение». Разработанное программное обеспечение с иерархически организованной системой пользовательского меню обеспечивает удобную и доступную эксплуатацию системы «Нейронное зрение» в целом и минимизирует временные и стоимостные затраты на подготовку операторов со средней квалификацией.

6. Разработанные и внедрённые методики автоматизированной обработки рентгеновских, ультразвуковых и гистологических полисегментарных изображений позволяет существенно ускорить (более, чем на порядок) процесс исследований и диагностики, получать качественно новые результаты и повышать их достоверность. Значеш ние внедрённого метода связано в первую очередь с объективизацией диагностики и повышением производительности труда лечащего врача подтверждается врачами-диагностами и исследователями, использующими систему «Нейронное зрение», что нашло отражение в приведённых в приложениях в диссертации актах внедрения.

J 33

1. Терехов В.А., Ефимов Д.В., Тюкин И.Ю., Антонов В.Н. Нейросетевые системы управления. СПб: Изд. С.-Петербургского университета, 1999. -265 е.: ил.

2. Информатика. Базовый курс / Учебники для ВУЗов. СПб: Изд. «Питер», 1999.-640 с.

3. Агроскин JI.C., Папаян Г.Б. Опыт цифровой телевизионной цитофотомет-рии. Цитология, 30, 1988.

4. Телемедицина. Под ред. проф. Р.И.Полонникова- СПб, 1998.

5. Агроскин Л.С., Папаян Г.Б. Цитофотометрия. JL: Наука, 1977, 295 с.

6. Кондратюк А.А., Контишев В.Н., Ледюков М.А. и др. Структуры данных, алгоритмы и программы обработки сложных изображений. Под ред. проф. В.В.Александрова, Препринт № 162, РАН, Санкт-Петербург, 1992.

7. Катыс Г.П. Обработка визуальной информации. М.: Машиностроение, 1990.-320 е.: ил.

8. Борисенко В.И., Златопольский А.А., Мучник И.Б. Сегментация изображений (состояние проблемы) / Автоматика и телемеханика. 1987. №7. с. 356.

9. J.S. Weszka, A survey of threshold selection techniques, CGIP 7, 1978, 259265.

10. Y.Nakagawa, A.Rosenfeld, Some experiments on variable thresholding, Pattern Recognit. 11,1979, 191-204.

11. P.C.Chen, T.Pavlidis, Segmentation by texture using a co-occurence matrix and split-and-merge algorithm,Comput. Graphocs Image Process. 10,1979,172-182.т

12. R.M. Haralick, L. Shapiro, Survey on image segmentation techniques, Comput. Vision Graphics Image Process. 29,1985,100-132.

13. Розенблатт Ф. Прнципы нейродинамики: Перцептрон и теория механизмов мозга. М.: Мир, 1965. 480 е.: ил

14. S.L. Gish, W.E. Blanz, Comparing the Performance of a Connectionist and Statistical Classifiers on an Image Segmentation Problem, IEEE Neural Network Information Processing Conference, Denver, Colorado, November 1989.

15. Becker S., Y. leCun, Improving the Convergence of Back-Propagation Learning with Second-Order Methods, in Proceedings of the 1988 Connectionist Models Summer School, Morgan Kaufmann,1988.

16. Baran R. A collective computation approach to automatic target recognition, IJCNN International Joint Conference on Neural Networks, Washington, D.C., USA, 1989, p.p. 39-44.

17. Roth M. Neural Networks for extraction of weak targets in high clutter enviroments, p.p. 275 282 in the same source.

18. HopfIeld J.J. , Neural networks and physical systems with emergent collective computational abilities, Proceedings of the National Academy of Sciences of the USA, Apr. 1982,vol. 79, № 8,p.p. 2554 2558.

19. Marks R., Atlas L., Cheung K., A class of continuous level neural nets, Proceedings 14-th Congress of the International Comission for Optics, August 24-28, 1987, Quebec, Canada, p.p. 373 374.

20. Castelaz P., Neural Networks in Defence Applications, IEEE International Conference on Neural Networks, vol. I,II, Sheraton Harbor Island, San Diego, California, USA, July 24-27, 1988, p.p. 11-473 -11-480.

21. Costa L., Sandler M., Neural Network and Hough Transform for Pattern Recognition, First IEE International Conference on Artificial Neural Networks, London, 16-18 October, 1989, p.p.81-85.i'55~

22. Lokendra S., Massive parallelism in artificial intelligence, Applied Optics, 15 May 1987, vol. 26, № 10, p.p. 1829 1844.

23. Oyster J., Vicuna F., Bradwell W., Associative network applications to low-level machine vision, Applied Optics, 15 May 1987,vol. 26, № 10, p.p. 1919 -1926.

24. Лабунец В.Г., Чернина С.Д., Теория и применение преобразования Хо., Зарубежная радиоэлектроника, 1987, № 10, с. 48- 56.

25. Престон К., Коггерентные оптические вычислительные машины, Пер. с англ., М.:Мир, 1974, 382 с.

26. Кейсесент Д., Оптическое когерентное распознавание образов, ТИИЭР, 1979,т.67,№5?с. 81-93.

27. McAulay A., Kadar I., Neural Networks for adaptive shape tracing, SPIE, vol. 1099, Advances in image compression and automatic target recognition, 1989, p.p. 74 82.

28. Casasent D., Barnard E., Adaptive clustering optical neural net., Applied Optics, 10 June 1990,vol. 29, № 17, p.p. 2603 2615.

29. Troxel S., Rogers S., Kabrisky M., The use of Neural Networks in PSRI target Recognition, IEEE International Conference on Neural Networks, vol. I,II, Sheraton Harbor Island, San Diego, California, USA, July 24 27, 1988, p.p. I-593 -1-600.

30. Майтра С., Моментные инварианты, ТИИЭР, апрель 1979, т. 67, № 4, с. 81 -93.

31. Dong В., Chen Y., Zheung S., Li S., A hybrid optical-digital system for extracting invariant moments of images, Optic (Stuttgart),July 1989, vol.82, № 4, p.p. 169- 172.

32. Ty Дж., Гонсалес P., Принципы распознавания образов, Пер. с англ. под ред. Ю.И. Журавлева, М.:Мир, 1978, 411 с.m

33. Barnard E., Casasent D., Image processing for image understanding with neural nets, IJCNN International Joint Conference on Neural Networks, Washington, D.C., USA, 1989, p.p. 1-111 -1-116.

34. Hosokawa M., Omatu S., Fukumi M., A new approach for pattern recognition by neural networks, IJCNN International Joint Conference on Neural Networks, Washington, D.C., USA, 1989, p.p. 1-183 -1-188.

35. Reid M., Spircovska L., Ochoa E., Rapid training of higher order neural networks for invariant pattern recognition, IJCNN International Joint Conference on Neural Networks, Washington, D.C., USA, 1989, p.p. 1-689 1692.

36. Crfuz V., Cristobal G., Michaux T., Barquin S., Invariant image recognition using a multi-network neural model, IJCNN International Joint Conference on Neural Networks, Washington, D.C., USA, 1989, p.p. 11-17 -11-22.

37. Yamada K., Kami H., Tsukumo J., Temma T., Handwritten numeral recognition by multi-layered neural network with improved learning algorithm, IJCNN International Joint Conference on Neural Networks, Washington, D.C., USA, 1989, p.p. 11-259 -11-266.

38. Acheroy M.,Mees W.,Target identification by means of adaptive neural networks in thermal infrared images, SPIE Proceedings:"Stochastic and Neural Methods in Signal Processing, Image Processing and Computer Vision", p.p. 121 132.

39. Brady M.L., Raghavan R., Probabilistic cellular automata in pattern recognition, IJCNN International Joint Conference on Neural Networks, Washington, D.C., USA, 1989, p.p. 1-177 -1-182.

40. Szu H., Scheff K., Gram-Schmidt ortogonalization neural nets for O.C.R., IJCNN International Joint Conference on Neural Networks, Washington, D.C., USA, 1989, p.p. 1-547-1-556.-3?

41. Beastall W.D., Recognition of radar signals by neural network, First IEE International Conference on Artificial Neural Networks, London, 16-18 October 1989, p.p. 27-66.

42. Wu H.,Showengerdt R., Shape discrimination using invariant Fourier representation and a neural network classifier, SPIE Proceedings:"Stochastic and Neural Methods in Signal Processing, Image Processing and Computer Vision", p.p. 147 154.

43. Lu S.,Frequency based pattern recognition using neural networks, SPIE Proceedings:"Stochastic and Neural Methods in Signal Processing, Image Processing and Computer Vision", p.p. 452 462.

44. Lynch M., Rayner P., The properties and implementation of the nonlinear vector space connectionist model, First IEE International Conference on Artificial Neural Networks, London, 16-18 October 1989, p.p. 186 190.

45. Austin J., ADAM: An associative neural architecture for invariant pattern classification, First IEE International Conference on Artificial Neural Networks, London, 16-18 October 1989, p.p. 196 200.

46. Bishop J.,Stochastic searching networks, First IEE International Conference on Artificial Neural Networks, London, 16-18 October 1989, p.p. 329 331.

47. Yamada K. Improved learning algorithm for multilayer neural networks and handwritten numeral recognition, NEC Research and Development, July 1990,№98, p.p. 81 -88.

48. Данилов Е.П., Луцив В.P., Нейронные сети, современное состояние и перспективы, ОМП, 1991, № 4, с. 20 33.

49. Robert Hecht-Nielsen. Neurocomputing. HNC, Inc. and University of California, San Diego, 1990, p.p. 20-177.

50. W.E. Blanz, S.L. Gish, Comparing a Connectionist Trainable Classifier with Statistical Decision Analysis Methods, Research Report RJ 6891 (65717), IBM, June 1989.

51. Корнилов Н.В., Афиногенов Г.Е. и др. Морфометрическое исследование хряща с использованием новых программных средств на примере экспериментального артроза у кроликов.Травматология и ортопедия России №1 с.с.42-47, 1996.

52. Сочивко В.П. Тихонов Э.П. Векторный анализ изображений при радиаль-но-круговом считывании. Тр. ЛИАП, вып. 37.1962.

53. Сочивко В.П. Электронные опознающие устройства. М.: Энергия, 1963. 67 е.: ил.

54. Вапник В.Н. Восстановление зависимомтей по эмпирическим данным. М.: Наука. ГРФМЛ, 1979. 448 е.: ил.

55. Kasumova М.К. A Backpropagation Neural Network Applied to Image Segmentation and Recognition. Pattern Recognition and Image Analysis, Vol.2, No 4, 1992.

56. Цыпкин ЯЗ. Информационная теория и идентификация. М.: Наука. Физматлит, 1995. - 336 с. ил. - ISBN 5-02-015071-1.

57. Касумова М.К. Сегментация изображений в задачах опознавания. Труды ГОИ, "Иконика", том 79, вып.213, 1992.

58. S.D.Yanowitz, A.M.Bruckstein, A New Method for Image Segmentation. -CVGIP , v46, N 1, April 1989, 82-95.

59. A.Rosenfeld, C.Kak, Digital Picture Processing, Academic Press, New York, 1982.

60. Аврунин A.C., Демеш O.B., Касумова M.K., Павлова В.А. Перспективы и возможности цифровой обработки изображений в медицине (обзорно2методическое исследование), Травматология и ортопедия России №3 1996.

61. Ни М.К.,"Visual Pattern Recognition by Moment Invariants",IRE Trans. Inf. Theory IT-8,1962,p.p. 179 182.

62. He Z.,Zhou Y.,Cheng Z.,Generalized Invariant Moment Theory and Image Recognition,SPIE Vol.1027 Image Processing II,1988,p.p.l98 203.

63. Паук B.H., Касумова M.K., Тимановский С.Д. Сравнение алгоритмов быстрых преобразований Фурье Кули-Тьюки и Винограда. Труды ГОИ, т. 64, вып. 198, 1987.

64. М.К.Касумова, А.П.Вихров. Единая система ведения электронных карточек для ассоциации стоматологических клиник. Научно-практический журнал «Институт Стоматологии» №1(2) январь 1999 г.

65. Ю.В.Шуваева, М.К.Касумова. Диагностические методы обследования и ведения ортодонтических пациентов с использованием индивидуальных компьютерных карточек. Научно-практический журнал «Институт Стоматологии» №2(3) май 1999 г.

66. Кураскуа А.А., Касумова М.К. и др. Применение современных информационных технологий для оптимизации диагностического процесса в амбулаторной стоматологической практике. Научно-практический журнал «Институт Стоматологии» №1(6)март 2000 г.

67. Е.И. Коган, М.К. Касумова, JI.O. Анисимова, В.В. Кормильченко, М.А. Абрамова. «Возможности и перспективы использования компьютерныхOсистем в патологоанатомической лаборатории». Демонстрация на обществе патогоанатомов С-Петербурга 6.06.95.

68. Гуров A.A., Касумова М.К., Лалыко Л.Б., Макулов В.Б., Паук В.Н., Тима-новский С.Д. Пакет прикладных программ по обработке изображений, Серия "Обработка оптических изображений", Методическое пособие, Выпуск VIII, Ленинград, 1990.

69. Яковлева Е.Д., Касумова М.К. Компьютерная система «Нейронное зрение» при анализе эхограмм стенки желудка. Тезисы докладов научной конференции «Резервы здоровья человека и эффективность лечения», С-Петербург, 1998.

70. IB AS 2000 REFERENCE MANUAL Reí. 4.3. Kontron Bildanalyse, March 1985.

71. Прэтт У. Цифровая обработка изображений. /Перев. с англ. М.: Мир, 1982.

72. Касумова М.К., Павлова В.А., Трухоненко М.В. Алгоритм решения задачи сопоставления реальных изображений. Труды ГОИ, "Иконика", вып.213, 1992.

73. АС "Способ обнаружения объектов на тепловизионном изображении". Решение Р-1245 от 13.05.88. Заявка 3174484/24-24 от 29.06.87.

74. Ярославский Л. П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику//М.: Радио и связь, 1987.

75. Катыс Т.П. Восприятие и анализ оптической информации автоматической системой. М.: Энергия, 1979. 176 е.: ил.81 .М.К.Касумова. Решения в области информационных технологий. Научно-практический журнал «Институт Стоматологии» №1(1) сентябрь 1998 г.