автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.17, диссертация на тему:Методы и алгоритмы интеллектуальной системы диагностики сосудистой патологии сетчатки глаза на основе контурного спектрального анализа и нейросетевого моделирования

005055065

На правах рукописи

Насер Адел Абдулсалам

МЕТОДЫ И АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ДИАГНОСТИКИ СОСУДИСТОЙ ПАТОЛОГИИ СЕТЧАТКИ ГЛАЗА НА ОСНОВЕ КОНТУРНОГО СПЕКТРАЛЬНОГО АНАЛИЗА И НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Специальность 05.11.17 - Приборы, системы и изделия медицинского

назначения

Автореферат диссертации

иа соискание ученой степени кандидата технических наук

1 5 НОЯ 2012

Курск-2012

005055065

Работа выполнена в Юго-Западном государственном университете на кафедре биомедицинской инженерии '

Научный руководитель: доктор технических наук,

профессор -

Филист Сергей Алексеевич

Официальные оппоненты: Рыбочкин Анатолий Федорович

доктор технических наук, доцент Юго-Западный государственный университет, профессор кафедры конструирования и технологии электронных вычислительных средств

Горбатенко Светлана Александровна кандидат технических наук, доцент Курский институт социального образования (филиала) РГСУ, доцент кафедры информационных систем и естественнонаучных дисциплин

Ведущая организация: Поволжский государственный

технологический университет, г. Йошкар-Ола

Защита диссертации состоится «02» ноября 2012 года в 14-00 часов на заседании диссертационного совета Д 212.105.08 при Юго-Западном государственном университете по адресу: 305040, г. Курск, ул. 50 лег Октября, 94, конференц-зал.

С диссертацией можно ознакомиться в библиотеке Юго-Западного государственного университета

Автореферат разослан «01» октября 2012 г.

Ученый секретарь диссертационного совета

Снопков В.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Сосудистые патологии сетчатки глаза являются одной из ключевых проблем современной офтальмологии. Несмотря на значительные успехи, достигнутые за последние десятилетия в диагностике и лечении офтальмологических заболеваний, число больных с поражениями сетчатки сосудистого генеза продолжает увеличиваться (Бранчевский C.J1., Тутаева Е.С., Водовозов A.M., Кацнельсон J1.A., Durcey N.M. и др.).

В связи с тем, что эффективность лечения сосудистой патологии глаз в значительной мере зависит от точности определения ее стадий и степени тяжести, одним из основных направлений в профилактике и лечении этих заболеваний является совершенствование методов их дифференциальной диагностики, включая прогнозирование возникновения заболеваний и донозологическую диагностику (Гаврилова H.A., Храмов А.Г., Купеев В.Г. и ДР-)-

Для повышения достоверности диагностики сосудистых заболеваний глаз с учетом ограничений на оперативность и качество используют комплекс геометрических характеристик сосудов сетчатки. Однако измерения и объективная оценка этих показателей вызывает определенные трудности, связанные с нечеткостью и зашумленностью фотографического изображения глазного дна, как офтальмологического так и флюоресцентно-ангиографического. Наиболее успешно в настоящее время выделяется центральная линия сосудов сетчатки (ЦЛСС) глаза, поэтому целесообразно для оценки состояния сосудов использовать именно эту характеристику (Ильясова И.Ю., Корепанов А.О., Куприянов A.B. и др.).

Для анализа кривых сложной формы используются дескрипторы Фурье (Яне Б.). При решении аналогичных задач в офтальмологии необходимо учитывать, что множество точек (пикселей) изображения, определенного ЦЛСС, не является выпуклым, а ЦЛСС - замкнутой. Это приводит к ограничениям на использование известных методов спектрального анализа сложных изображений. Для преодоления этих ограничений необходимы методы, осуществляющие морфизм признакового пространства, позволяющий использовать аппарат Фурье - анализа для классификации сложных изображений.

В тоже время, анализ только геометрических характеристик сосудов не может дать однозначного решения по диагностике и выбору тактики лечения. Поэтому необходимы методы и алгоритмы, позволяющие интегрировать частные решения по разнотипным данным в финальное решение, присутствующее на выходе интеллектуальной системы.

Таким образом, актуальной научно-технической задачей исследования является повышение качества диагностики патологии сосудов сетчатки на основе объективного анализа и количественной оценки геометрической формы сосудов на фотографическом изображении глазного дна.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 20092013 годы (государственный контракт № П424 от 12 мая 2010 г.) и в

соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Растровые изображения сетчатки глаза без патологии и с сосудистой патологией.

Предмет исследования. Методы и алгоритмы для интеллектуальной системы диагностики сосудистой патологии сетчатки глаза.

Цель работы. Разработка методов и алгоритмов для интеллектуальной системы диагностики сосудистой патологии сетчатки глаза на основе контурного спектрального анализа и нейросетевого моделирования, обеспечивающих повышение качества выявления патологий в условиях нечетко выраженных сегментов на растровых изображениях глазного дна.

Для достижения поставленной цели в работе решены следующие задачи:

• исследованы методы и алгоритмы формирования пространства информативных признаков для классификации состояния сосудов сетчатки;

• разработан метод математического моделирования центральной линии сосуда сетчатки, предназначенный для интеллектуальной системы диагностики сосудистой патологии сетчатки, а также структурные и алгоритмические решения для его реализации;

• разработан метод формирования информативных признаков для нейронной сети, классифицирующей сосудистые заболевания глазного дна на основе анализа модели изображения центральной линии кровеносных сосудов сетчатки глаза;

• созданы сетевые структуры и алгоритмы их функционирования, предназначенные для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки глаза;

• разработана структура интеллектуальной системы диагностики сосудистых патологий сетчатки глаза и на ее основе проведена апробация предложенных методов, алгоритмов и специального программного обеспечения в клинической практике врача-офтальмолога.

Методы исследования. Для решения поставленных задач использовались методология искусственного интеллекта, методы теории биотехнических систем, морфологического анализа изображений, теории нейронных сетей и распознавания образов, теории спектрального анализа, статистического анализа, экспертного оценивания и принятия решений. При разработке нейросетевых моделей и модулей нечеткого вывода в качестве инструментария использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод построения математической модели сегмента центральной линии сосуда сетчатки, основанный на морфологической обработке

бинарных или полутоновых растровых изображений глазного дна, отличающийся тем, что путем использования цепочки, состоящей из четырех морфологических операторов, множество пикселей изображения, описывающих центральную линию кровеносного сосуда, дополняется до двух непересекающихся подмножеств, границы которых устанавливаются по нижней и верхней границам координат пикселей, входящих в исходное изображение, позволяющий представить изображение любой кривой, в том числе и незамкнутой, в виде контура минимальной толщины;

- метод формирования пространства информативных признаков для нейронной сети, классифицирующей центральные линии сосудов сетчатки глаза, основанный на определении дескрипторов Фурье соответствующего контура минимальной толщины, отличающийся тем, что после получения отсчетов спектра Фурье контура, число спектральных отсчетов дополняется нулевыми отсчетами, амплитуда спектральных составляющих увеличивается на величину, прямо пропорциональную величине расширения спектра, а затем число дескрипторов Фурье отсекается до оптимального значения, определяемого путем минимизации функционала ошибки, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах;

- сетевая структура классификации двухальтернативных данных, включающая два решающих модуля, отличающаяся тем, что первый решающий модуль имеет сетевую структуру, соответствующую модели Арнольда-Колмогорова, в котором узлы первого скрытого слоя выполняют нелинейные отображения, узлы второго скрытого слоя - нейроны аёаИпе, а второй решающий модуль предназначен для управления формой нелинейных отображений в первом скрытом слое первого решающего модуля в зависимости от окружения анализируемого пикселя изображения, позволяющая формировать центральную линию сосудов сетчатки глаза;

алгоритмы формирования моделей сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна, отличающиеся использованием итерационных процедур настройки решающих модулей и итерационным процессом управления структурой скрытых слоев решающих модулей, входящих в настраиваемую модель, позволяющие получать модели сетевых структур, удовлетворяющие априорно заданным параметрам качества классификации.

Практическая значимость и результаты внедрения работы.

Разработанные методы и алгоритмы составили основу построения интеллектуальной системы поддержки принятия решений для врача -офтальмолога, предназначенной для диагностики сосудистых заболеваний сетчатки глаза, экспериментальные испытания которой показали целесообразность ее использования в медицинской практике. Применение предложенных в диссертации разработок позволяет создавать информационное обеспечение систем поддержки принятия решений для проведения лечебно-оздоровительных мероприятий при офтальмологических заболеваниях.

Основные теоретические и практические результаты работы используются в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных»), и в клинической практике в офтальмологическом отделении городской больницы №1 им. Н.С. Короткова (г. Курск).

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

Соответствие диссертации паспорту научной специальности.

Содержание диссертации соответствует п. 2 «Исследование, разработка и создание медицинской техники, изделий, инструментов, методов и способов диагностики и лечения человека, которые рассматриваются как средства восстановления нарушенной поливариантной системы» области исследования специальности 05.11.17 - Приборы, системы и изделия медицинского назначения.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Научно-технической конференции «Современные проблемы образования» (Курск, 2010); на II Региональной научно-практической конференции «Актуальные проблемы инфотелекоммуникации» (Курск, 2010); на IV Международной научно-методической конференции «Образование. Инновация. Качество», (Курск, 2010); XXIV Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы (Биомедсистемы - 2011)» (Рязань, 2011); на Международной научно-практической конференции «Информационные технологии в экономике, образовании и бизнесе» (Саратов, 2011); X Международной научно-технической конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2012» (Курск, 2012); на региональном научно-техническом семинаре «Инновационные научно-технические разработки и направления их реализации» (Курск, 2012); X Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии» (Владимир, 2012); на XX Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2012); на XV Международной научно-технической конференции «Медико-экологические информационные технологии» (Курск, 2012); на Международной научной конференции «Компьютерное моделирование в науке и технике» (Андорра, 2012); на Международной научной конференции «Фундаментальные и прикладные исследования в медицине» (Сочи, 2012); IX Международной научно-практической конференции «Перспективы развития информационных технологий» (Новосибирск, 2012), на научно-технических

семинарах кафедры бпомедицинской инженерии ЮЗГУ (Курск, 2010. 2011, 2012).

Публикации. По теме диееертации опубликовано 11 научных работ, из них 4 статьи в рецензируемых научных журналах.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1. 6, 7J автором лично предложены методы и алгоритмы для спектрального анализа центральных линий сосудов сетчатки глаза; в [2. 3, 4, 9, 10] - структуры нечетких нсйросетевых решающих модулей и алгоритмы их обучения, предназначенных для классификации сосудов глазного дна; в [5] - интеллектуальные морфологические операторы для анализа сложноструктурируемых изображений.

Структура н объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 111 отечественных и 17 зарубежных наименований. Работа изложена на 142 страницах машинописного текста, содержит 58 рисунков и 10 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы исследования, определены цели и задачи работы, ее научная новизна и практическая значимость, выбраны методы исследования, сформулированы задачи, приведены сведения об апробации и внедрении результатов работы.

В первой главе рассмотрены современные представления об этиологии и патогенезе сосудистых заболеваний сетчатки глаза. Исследованы офтальмологические изображения глазного дна при этих заболеваниях и выявлены патологические изменения сосудов сетчатки, характерные для наиболее распространенных сосудистых заболеваний. Рассмотрена возможность использования систем поддержки принятия решений в офтальмологии. Исследованы технические характеристики диагностических программно-технических комплексов офтальмологического назначения отечественных и зарубежных производителей и методы формирования информативных признаков на основе анализа ЦЛСС глаза и системы классификации сосудов на их основе. Выявлены ограничения рассмотренных методов и представлены направления исследований, позволяющие преодолеть эти ограничения.

В заключение первой главы формируются цель и задачи исследования.

Во второй главе исследуется спектральная модель ЦЛСС глаза. Для ее построения предлагается метод, позволяющий представить ЦЛСС глаза /(^.У). гДе * = _/]( 0 •. ^ = £ =0,1-1, в виде множества дескрипторов

Фурье.

Для этого необходимо преобразовать ЦЛСС в замкнутую кривую -контур минимальной толщины, который удовлетворяет следующим условиям

■Ф'(0)-л-0'(21-0)=±1. (1)

y(x{C))-y(x{2L-Q) = ±\. (2)

Переход от ЦЛСС fir,у) к ее модели в виде множества дескрипторов Фурье осуществляется путем последовательного выполнения четырех морфологических операций и одного спектрального преобразования

/(,y, v) => skel => dilate => bwperim => shrink => F(ii), (3)

i ii.

где F(u) = —*""' •

При классификации сосудов предложено использовать следующий метод формирования пространства информативных признаков. На первом этапе па основе статистических исследований определяется максимальное число отсчетов в контурах, полученных посредством использования четырех морфологических операторов (3), для всех контрольных и обучающих выборок. Для того, чтобы иметь возможность сравнивать дискретные отсчеты частот, соответствующие разным контурам, необходимо, чтобы они имели одно и тоже количество отсчетов (априорно полагается, что частота дискретизации у них одинакова и равна единице, то есть один пиксель). С этой целью высокочастотная часть спектральной области, занимаемой контуром, заполняется нулями и тем самым число отсчетов в спектре каждого контура доводится до максимального значения в выборке, а в пространстве сигналов появляются виртуальные отсчеты между реальными отсчетами.

На втором этапе все спектральные составляющие в спектре 1-го контура умножаются на величину Lmuy/L, , где Ь,„ах=макс11мальное число отсчетов в контуре, L, - количество отсчетов в г'-м контуре.

Третий этап - оптимизация числа используемых дескрипторов. В качестве критерия оптимальности числа анализируемых дескрипторов используется оценка качества восстановления исходного контура по выбранной совокупности дескрипторов.

Для восстановления контура используются столько дескрипторов, сколько было получено отсчетов на контуре. Если часть смежных дескрипторов приравнивается к нулю, то при использовании нейросетевой классификационной модели узлы входного слоя нейронной сети, соответствующие этим дескрипторам, исключаются, что приводит к значительному упрощению модели принятия решения.

Чтобы оценить информационные потери при приравнивании к нулю части дескрипторов, используется функционал

s = £(£,?))- v(f*(<T,С*))|-> 1, (4)

L + L ,„()

где с и с'- координаты параметра С*, находящегося на минимальном расстоянии от текущего С. причем координаты С и Iне являются смежными, а координаты с , £ и с', с - смежные координаты.

При отсутствии ошибки 5=1. Если уравнение (4) применить к исходному контуру, то оно станет условием того, что контур принадлежит к классу контуров минимальной толщины.

В качестве оптимизируемого критерия ошибки восстановления используем параметр Л. определяемый как

А = 5-1. (5)

Исходные и восстановленные с помощью предложенного метода контуры показаны на рисунке 1.

Ш Ж

. ■

"V

"х.. \

о) б)

Рис. 1. Формы тестовых контуров: слева исходный; справа восстановленный

Более толстые линии восстановленного контура на рисунке справа, по сравнению с исходным (левым) рисунком объясняются тем. что каждой точке контура на рисунке 2, а соответствует несколько точек, расположенных на рисунке 2,6.

Таким образом, используя предложенную технологию интерполяции контуров и оптимизировав число спектральных коэффициентов получаем пространство информативных признаков, позволяющее осуществлять обучение сетевых классифицирующих структур и классифицировать ЦЛСС глаза на основе их геометрических свойств.

В третьей главе предложена универсальная сетевая структура, предназначенная для сегментации и классификации сложноструктурируемых изображений, и алгоритмы для ее реализации.

Универсальная сетевая структура построена на основе теоремы Арнольда-Колмогорова, согласно которой любая непрерывная функция п переменных/заданная на единичном кубе п - мерного пространства /'=/></ х .../ может быть записана в форме

я**.)="£'*, ¿<ц,) - (б)

Ч=1 |_/'=1

где функции Ич(и) непрерывные функции одной переменной, а функции <Рд(хР) - фиксированные возрастающие, непрерывные, определенные на 1 = [0,1] стандартные (не зависящие от выбора функции /) функции.

Чтобы упростить процесс аппроксимации, достаточно сложная гиперповерхность. соответствующая уравнению (6), представлена гиперплоскостью, описываемой уравнением

/(л-,, х2, а,х, + а:х: + ... +а,л"„ - Ь, (7)

где а, и Ь-константы (/' = 1, 2, ..., /;).

Если число исходных данных т велико, то уравнение (7) преобразуется в систему из т линейных неоднородных уравнений. В реальных системах классификации т>п и система переопределена и, следовательно, соответствующая ей однородная система не имеет нетривиального решения.

Компонентам вектора /; ... /„/ присваиваются произвольные

одинаковые для каждого из разделяемых классов значения. В этом случае коэффициент Ь целесообразно представить в виде нечеткого числа, которое описывается некоторой функцией принадлежности с базовой переменной, лежащей в диапазоне ±е. В случае такого представления область признакового пространства, соответствующая искомому классу, заключена между двух коллинеарных гиперплоскостей, отстоящих друг от друга на расстояние не более 2е. В наиболее благоприятном случае все векторы обучающей выборки лежат на гиперплоскости, заданной вектором Л=(а, а2 ... а„, Ь), скчХ=0 и е=0.

От коллинеарных гиперплоскостей осуществляется переход к не коллипеарным гиперплоскостям путем расщепления исходной системы уравнений на множество подсистем путем уменьшения расстояний между коллинеарными гиперплоскостями. Очевидно, что чем больше число пар гиперплоскостей, на которое расщепляется исходная пара гиперплоскостей, тем более сложной может быть форма аппроксимируемой функции.

На рисунке 2 представлена сетевая структура, реализующая описанный способ аппроксимации, в которой исходная пара гиперпплоскостей расщеплена на Я не коллинеарных пар коллинеарных гиперплоскостей.

Сеть состоит из четырех слоев и является однородной. Первый (входной) слой определяет вектор состояния системы классификации. Второй слой синтезирует аппроксимирующие функции согласно уравнению (6). Для реализации этих функций в узлах второго слоя используются нейроны типа «ас1аИпе» с линейной функцией активации. Число к таких аппроксимирующих функций определяется структурой данных - обучающей выборкой и априорпо неизвестно.

Сеть, представленная на рисунке 2. настроена на один класс - Я, поэтому при поступлении на ее входы компонентов вектора Х„ соответствующих исследуемому классу, на выходах нейронов второго слоя появятся числа, близкие к нулю. При этом, наиболее близким к нулю будет выход у,- того нейрона, расстояние между соответствующей гиперплоскостью которого и точкой X) минимально. Решение принимается по минимальному значению из всех компонентов вектора состояния второго слоя (У1 У: ■—}',■■■■}';)• которые характеризуют степень близости пектора X к классу Я.

Так как выходы второго слоя могут приближаться к нулю с двух сторон, то над ними должны быть осуществлены симметричные нелинейные преобразования. В частом случае, эти преобразования не зависят от выхода нейрона второго слоя и имеют треугольную форму или форму гауссиана.

У/

7'0I )

U'fr-'),

/(л,,л,,..„л.)

Рис. 2. Сетевая структура универсального классификатора

При использовании нелинейных преобразований в четвертом слое сети реализуется операция «нечеткое или»

тах(А'і (V,), (Уг\ —И, (уг), -И). (Ух)) = /(*, ,.х2, ...,х„). (8)

Аппроксимирующая модель для сетевой структуры рисунка 2 определяется следующим уравнением:

Л*|.*2.....*„) = £[©}',.

ХУд*/)

(9)

где тах(^,(А),//2(л)) = £[®>Д.г), Уг = |>ДЙ (*,)) = 2>Д*,)■

Для решения задачи выделения ЦЛСС глаза в сетевую структуру введены два решающих модуля (рисунок 3), причем первый решающий модуль имеет структуру, представленную на рисунке 2.

На вход сети подаются два вектора информативных признаков. Первый вектор информативных признаков описывает атрибуты исследуемого пикселя, например, трехкомпонентный вектор RGB кодов. Он подается на первый решающий модуль.

Вектор RGB

Вектор фона

Рис. 3. Сетевая структура для классификации сложноструктурируемых

изображений

На второй решающий модуль подается трехкомпонентный вектор фона, значение компонент которого определяются усредненными характеристиками RGB кодов пикселей в окрестности анализируемого пикселя, форма и размеры которой зависят от вида решаемой задачи. Второй решающий модуль осуществляет управление структурой первого решающего модуля, который настроен на класс 1 - класс, о принадлежности к которому принимается решение на основе анализа исходных данных.

Так как объекты на сложноструктурируемых изображениях имеют различный уровень освещенности, то RGB - коды не позволяют однозначно отделить сегменты изображения. Поэтому, для повышения качества классификации необходимо либо ввести дополнительные информативные признаки, отражающие уровень освещенности в окрестности исследуемого пикселя, либо изменять вид используемого нелинейного отображения в зависимости от уровня освещенности, задавшись при этом определенным количеством уровней освещенности и для каждого уровня построив соответствующее нелинейное отображение. В данной работе используется последний подход. При этом выделяются три класса фона, которые определяются освещенностью (цветовой палитрой) зоны интереса на изображении глазного дна.

Для каждого класса фона щ формируются три нелинейных отображения

IС (Л), 4>ll (G), № (В); А-1. 2, 3. (10)

В таком случае для каждого RGB - кода строится три нелинейных отображения, соответствующие трем классам фона.

Для получения нелинейных отображений для первого скрытого слоя первого решающего модуля предложен алгоритм, реализующий следующие этапы: 1 - синтез обучающих выборок; 2 - формирование таблицы экспериментальных данных для параметра (параметров) описания фона анализируемого пикселя в динамическом окне; 3 - ранжирование параметра фона; 4 - получение гистограмм RGB - кодов сегментов для каждого из выделенных поддиапазонов парамегра фона; 5- синтез нелинейных

отображений посредством интерактивной среды специального программного обеспечения.

Для реализации сетевой модели, структурная схема которой представлена на рисунке 3, были разработаны соответствующие алгоритмическое и программное обеспечения, которые ориентированы на интерактивный режим работы. Укрупненная схема алгоритма формирования сетевой модели для классификации пикселей сложноструктурируемого изображения показана на рисунке 4.

Начало

Формирование обучающих п контрольных выборок класса «сосуды» II - «не СОСУДЫ»

K'yKi '

- 2 ■ Формирование обучающих и контрольных выборок класса «фон» ft" , {v£ j, ;

Формирование нелинейных отображении <p¥R , <pvG,

Dee обучающие и контрольные выборки должны быть прикреплены к файлу исходного изображения, чтобы была возможность определить уровень освещенности в зоне анализируемого ппкееля

Выборки предназначены для настройки второго решающего модуля

_ Первый слой первого решающего [модуля

Настройка второго решающего модуля

1

Флаг=1

- 6 " Настройка первого решающего модуля

Контрольные испытания первого решающего модуля

[Работа блока основана на алгоритме обратного распэо£ц>анения

Рис. 4. Схема алгоритма формирования сетевой модели для классификации пикселей на изображении глазного дна при сосудистой патологии

В блоке 1 осуществляется формирование обучающих и контрольных выборок для классификации пикселей на «сосуды» и «не сосуды».

В блоке 2 осуществляется формирование обучающих выборок для второго решающего модуля. Второй решающий модуль выполнен на основе многослойных нейронных сетей прямого распространения. Исследования показали, что по критерию точности классификации целесообразно использовать нейронные сети блочной структуры.

Ранжирование уровня освещенности области интереса изображения осуществляется на экспертном уровне. Вектор информативных признаков получают посредством анализа RGB-кодов пикселей, попавших в некоторое окно прямоугольной формы.

В блоке 3 формируются нелинейные отображения для настройки первого решающего модуля (рисунок 2).

После завершения настройки второго решающего модуля (блок 4) устанавливается в единицу Флаг (блок 5), который позволяет выполнять диспетчерские функции, осуществляющие переход от настройки первого решающего модуля ко второму в процессе итераций настройки системы, и настраивается первый решающий модуль (блок 6).

После настройки первого решающего модуля осуществляются контрольные испытания сетевой системы в целом (блок 7). Так как они ничем не отличаются от контрольных испытаний первого решающего модуля, то Флаг позволяет перейти к следующей. итерации настройки параметров второго решающего модуля после того, как ресурсы первого решающего модуля исчерпаны при заданных параметрах второго решающего модуля, и наоборот.

Для предложенных в работе алгоритмов разработано программное обеспечение, которое позволяет формировать сетевые модели, предназначенные для классификации пикселей сложноструктурируемых изображений, включающее интерактивные среды настройки функциональных блоков сетевых структур, реализованное в среде Matlab 7.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

В четвертой главе проведены экспериментальные исследования системы поддержки принятия решения врача - офтальмолога, отражающей теоретические положения анализа и классификации сложноструктурируемых изображений, обоснованные в первых четырех главах диссертации.

Для автоматизированного анализа патологий глазного дна предложена интеллектуальная система, которая позволяет осуществлять в интерактивном режиме измерения морфологических характеристик объектов глазного дна (области кровоизлияния, участки отслоения сетчатки, диск зрительного нерва, кровеносные сосуды и т.д.), документировать произведенные измерения, осуществлять наглядное сравнение изображений глазного дна пациента, относящихся к разным моментам времени, наблюдать изменения морфологических характеристик объектов глазного дна в ходе лечения,

осуществлять математическое моделирование глобальных и локальных свойств сосудов.

Для каждой из сосудистых патологий предварительно произведена оценка диагностических параметров по нескольким изображениям глазного дна пациента с верифицированным диагнозом, подтвержденным стандартными методами исследования и сформированы средние их значения для каждого вида патологии, принятые за эталон.

Программное обеспечение интеллектуальной системы включает три модуля. Первый программный модуль интегрирует все возможности обработки изображений, представленные в пакете Matlab 7.10, а также дополнительные программы, позволяющие выполнять арифметические и логические операции в пространстве изображений и их спектров, а также выделять RGB-составляющие цветных изображений.

Второй программный модуль предназначен для получения скалярных характеристик изображения или его фрагментов, таких как среднего арифметического яркости пикселей или RGB - коды, моды, амплитуды моды, площади изображения. Для хранения обрабатываемого изображения служит файл-буфер.

Третий модуль программного обеспечения решает задачи визуализации патологических образований и морфологических структур изображения глазного дна и включает технологии нейронных сетей, ориентированные на работу с RGB кодами изображения, и технологии, реализованные на спектральном анализе контуров минимальной толщины.

Исследование эффективности спектрального анализа контуров минимальной толщины, с точки зрения разделимости классов, проводилось на выборке, состоящей из 352 элементов, из которых 214 элементов относятся к классу «норма» (слабо извилистые сосуды), 138 - к классу «патология» (извилистые сосуды). Отнесение контура минимальной толщины к одному из классов производилось медицинским экспертом (офтальмологом).

Для разделения на два класса использовалась нейронная сеть прямого распространения. Контрольная выборка состояла из 90 элементов, отбор которых носил случайный характер. В качестве расчетных показателей качества диагностических решающих правил использовались: диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС), диагностическая эффективность решающего правила (ДЭ). На контрольной выборке эти параметры приняли следующие значения: ДЧ = 95%, ДС = 92%, ДЭ = 93%. Для сравнения выбраны три известных метода, обеспечивающие наиболее эффективные оценки извилистости ЦЛСС, получаемые автоматически (с использованием программных средств). Для этих методов показатели качества классификации принимает следующие значения: ДЭ1 = 91,3%; ДЭ2 = 89,5%, ДЭЗ = 89,1%.

Как показали результаты предыдущих исследований, для надежной постановки диагноза или прогноза сосудистой патологии сетчатки необходимо кроме извилистости сосудов анализировать ряд других

факторов, среди которых эксперты выделили величину артериального давления, наличие атеросклероза, группу признаков, получаемых в результате опроса пациента, группу признаков, получаемых в результате осмотра и инструментальных исследований пациента.

Таким образом, на входе сетевой модели анализа и классификации сосудистой патологии глазного дна имеется совокупность групп информативных признаков, полученных в результате использования различных методик и технологий диагностики, которые необходимо интегрировать в единую сетевую структуру классификации.

Для классификации сосудистых заболеваний сетчатки глаза в диссертации была предложена структура нейронных сетей с макрослоями

Рис. 5. Структурная схема нейронной сети с макрослоями

В НМС за каждую патологию £, определяемую по к-й группе информативных признаков, отвечает нейронная сеть прямого распространения ЫЕТи. Если выделяются Ь заболеваний сетчатки, то для каждой группы информативных признаков получаем макрослой, содержащий столько нейронных сетей прямого распространения, сколько заболеваний сосудов сетчатки выделяется данной НСМ. Число макрослоев определяется числом групп информативных признаков К, используемых для диагностики. Так как решения о принадлежности к заданному заболеванию сетчатки принимаются в каждом из К слоев НСМ, то НМС должна иметь К+1 слой. Выходной слой предназначен для агрегирования решений, принимаемых в каждом слое, и тоже выполняется в виде макрослоя нейронных сетей прямого распространения.

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

Нейронные сети в макрослоях имеют структуру, которая предполагает

наличие нелинейных отображений в первом скрытом слое. Нелинейные отображения определяются для каждого из компонентов анализируемого вектора информативных признаков по диагностируемого заболевания а,.

Интеллектуальная система тестировалась на диагностике тромбоза центральной вены сетчатки и ее ветвей (ТЦВСиВ). В результате дополнительного разведочного анализа и экспертного оценивания были получены нелинейные отображения для а,, соответствующего ТЦВСиВ, для нескольких групп информативных признаков: артериальное давление, фактор риска атеросклероз сосудов головного мозга, по группе признаков опрос, по группе признаков, получаемых в результате осмотра и инструментальных методов исследования.

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

Объем контрольной выборки определялся по методике принятой в медицинской практике. Для прогнозирования риска возникновения ТЦВСиВ использовалась выборка объемом в 100 пациентов. Отобранные 100 человек имели 80% факторов риска из выбранного перечня и наблюдались в течение 8 лет. Через 4 - 4,5 года у 93 человек наблюдалось наличие претромбоза и начинающего тромбоза, подтвержденные объективным анализом картины глазного дна. Таким образом, оценка вероятности правильного прогноза составляет 0,93 при одновременном наличии большинства факторов риска.

Аналогично определялся объем контрольной выборки по стадиям заболевания. Для претромбоза он составил 125 человек, для начинающего тромбоза 95 человек, для неполного тромбоза 98 человек.

Результаты испытаний на контрольных выборках в рамках допустимой погрешности (около 3%) практически совпадают с результатами экспертного оценивания, что позволяет сделать выводы о целесообразности использования полученных прогностических и диагностических правил для решения задач рационального управления лечебно-профилактическими мероприятиями при предупреждении и лечении тромбозов центральной вены сетчатки и ее ветвей.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для анализа сложноструктурируемых изображений в интеллектуальных системах диагностики сосудистой патологии сетчатки глаза.

В диссертации получены следующие основные результаты.

1. Исследованы методы и алгоритмы формирования пространства информативных признаков для классификации состояния сосудов сетчатки. На основе проведенного анализа предложено в интеллектуальных системах

диагностики сосудистых патологий сетчатки глаза по результатам анализа изображений глазного дна использовать спектральные методы обработки контурных изображений и решающие модули, построенные на основе сетевых моделей.

2. Разработан метод математического моделирования центральной линии кровеносного сосуда, основанный на морфологической обработке бинарных и полутоновых изображений, предназначенный для интеллектуальной системы диагностики сосудистой патологии сетчатки, а также структурные и алгоритмические решения для его реализации, позволяющие представить любую кривую, в том числе и ветвящуюся, в виде контура минимальной толщины.

3. Разработан метод формирования информативных признаков для нейронной сети, классифицирующей центральные линии кровеносных сосудов сетчатки глаза, основанный на вычислении дескрипторов Фурье контура минимальной толщины, соответствующего этой линии, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах.

4. Созданы многомодульные сетевые структуры и алгоритмы их функционирования, предназначенные для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки глаза, включающие:

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

- алгоритм получения нелинейных отображений в первом скрытом слое первого решающего модуля;

-алгоритм формирования моделей сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна;

- алгоритм формирования моделей первого решающего модуля сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна, позволяющий получить модель первого решающего модуля, удовлетворяющую требуемым параметрам качества классификации;

- программное обеспечение для формирования сетевых моделей, предназначенных для классификации пикселей на офтальмологическом изображении глазного дна при сосудистой патологии, включающее интерактивные среды настройки функциональных блоков сетевых структур, реализованное в среде МаНаЬ 7.0.

5. Разработана структура интеллектуальной система диагностики сосудистых патологий сетчатки глаза, включающая:

- нейронные сети с макрослоями, использующие для диагностических заключений по группе информативных признаков, получаемых по различным методикам и технологиям;

- нелинейные отображения для первого скрытого слоя нейронных сетей, получаемые в результате дополнительного разведочного анализа в

выделенных группах информативных признаков, позволяющие настроить нейронную сеть для1 прогнозирования и диагностики тромбоза вен сосудов сетчатки и ее ветвей. 1

6. Проведенные исследования на репрезентативных контрольных выборках показали:

- предложенный метод формирования признакового пространства обеспечивает получение решающих правил, диагностическая эффективность которых при решении задачи классификации сосудов сетчатки глаза «норма» - «патология» составляет 93% и может быть использован для автоматизированной диагностики патологических изменений кровеносных сосудов глазного дна;

- 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 и могут быть использованы в клинической практике.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ:

Публикации в рецензируемых научных журналах

1. Спектральные технологии морфологического описания сегментов в задачах классификации сложноструктурируемых изображений / P.A. Томакова, A.A. Насер, Шульга JI.B. и [др.]// Известия Юго-Западного государственного университета. 2012. №1(40). Часть 1. С.22-28.

2. Томакова P.A., Насер A.A., Филист С.А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях / Биомедицинская радиоэлектроника. 2012. №4. С.43-49.

3. Теория факторов уверенности в медицинских системах поддержки принятия решений / A.A. Кузьмин, Кузьмина М.Н., A.A. Насер и [др.]// Биомедицинская радиоэлектроника. 2012. №4. С.62-68.

4. Снопков В.Н., Насер A.A., Иванов A.B. Нейросетевое моделирование и математические алгоритмы в дифференциальной диагностике диабетической ретинопатии/ Известия Юго-Западного государственного университета. 2012. № 2-1. С. 50-57.

Статьи и материалы конференций

5. Насер A.A., Томакова P.A. Исследование эффективности сегментации плохо структурированных изображений на основе чередования морфологических операторов типа «размыкание» - «замыкание» / Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2012: матер. X Междунар. научн.-техн. конф,- Курск: ЮЗГУ, 2012. С.302-304.

6. Томакова P.A., Насер A.A., Шаталова О.В. Математическое обеспечение распознавания и классификации сложноструктурируемых

биологических объектов / Международный журнал прикладных и фундаментальных исследований. 2012. №4. С. 48-49.

7. Насер A.A., Томакова P.A., Ефремов М.А. Сегментация изображений со сложной структурой на основе морфологических операторов «размыкание» - «замыкание» / Инновационные научно-технические разработки и направления их реализации: материалы регионального научно-технического семинара: Курск: ЮЗГУ, 2012. С.78-81.

8. Насер A.A. Программный пакет нейросетевого моделирования для анализа и классификации патологий на изображении глазного дна/ Биотехнические, медицинские и экологические системы и комплексы (Биомедсистемы - 2011): матер. XXIV Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. 4.2. - Рязань. 2011. С.38-43.

9. Томакова P.A., Насер A.A., Филист С.А. Нейронные сети с макрослоями для классификации флюоресцентных ангиограмм глазного дна/ Физика и радиоэлектроника в медицине и экологии: Доклады 10-й межд. научн.-техн. конф. Книга 2. - Владимир. 2012. С. 178-182.

10. Березников А.И., Кореневский H.A., Насер A.A. Нечеткие модели для формирования диагностических заключений при лечении воспалительных заболеваний зрительного нерва / Медико-экологические информационные технологии - 2012: материалы XV Междунар. научн.-техн. конф,- Курск: ЮЗГУ, 2012. С.49-55.

11. Насер A.A. Исследование эффективности детектирования краев при сегментации сложноструктурируемых изображений посредством многослойных морфологических операторов / Медико-экологические информационные технологии - 2012: материалы XV Междунар. научн.-техн. конф,- Курск: ЮЗГУ, 2012. С. 150-159.

Подписано в печать 27.09.2012 г. Формат 60x84 1/16. Печатных листов 1,1. Тираж 100 экз. Заказ 70. Юго-Западный государственный университет, 305040, г. Курск, ул. 50 лет Октября, 94 Отпечатано в ЮЗГУ

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ.

1.1. Современные представления об этиологии и патогенезе сосудистых заболеваний сетчатки.

1.1.1. Инволюционные и атеросклеротические изменения сосудов сетчатой оболочки. 1.2. Орган зрения при артериальной гипертонии.

1.2. Использование автоматизированных систем поддержки принятия решений в офтальмологии.

1.3. Классифицирующие модели на основе анализа центральной линии кровеносного сосуда.

1.4. Цель и задачи исследования.

ГЛАВА 2. ФОРМИРОВАНИЕ ПРИЗНАКОВОГО ПРОСТРАНСТВА НА ОСНОВЕ СПЕКТРАЛЬНОГО АНАЛИЗА ЦЕНТРАЛЬНЫХ ЛИНИЙ СОСУДОВ В ЗАДАЧАХ КЛАССИФИКАЦИИ ПАТОЛОГИЧЕСКИХ ИЗМЕНЕНИЙ СТРУКТУРЫ СОСУДИСТОЙ СИСТЕМЫ ГЛАЗНОГО ДНА.

2.1. Разработка метода математического моделирования центральной линии кровеносного сосуда на основе морфологической обработки бинарных изображений.

2.2. Исследования методов спектрального представления контуров минимальной толщины.

2.3. Метод формирования пространства информативных признаков на основе дескрипторов Фурье при анализе сосудов на изображении глазного дна.

2.4. Выводы второй главы.

ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЯ СЕТЕВЫХ ТЕХНОЛОГИЙ, ПРЕДНАЗНАЧЕННЫХ ДЛЯ ВЫДЕЛЕНИЯ СОСУДОВ ПА ФОТОГРАФИЯХ ГЛАЗНОГО ДНА.

3.1. Разработка универсальной сетевой структуры для задач двухальтернативной классификации.

3.2. Структура решающих модулей сетевых моделей.

3.2.1. Структура первого решающего модуля.

3.2.2. Структура второго решающего модуля.

3.3. Алгоритмическое и программное обеспечение моделирования решающих модулей.

3.4. Выводы третьей главы.

ГЛАВА 4. РЕАЛИЗАЦИЯ И РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ.

4.1. Структура автоматизированной системы поддержки принятия решений врача офтальмолога.

4.2. Экспериментальные исследования эффективности классификации извилистости сосудов сетчатки.

4.3. Нейронные сети с макрослоями для классификации и прогнозирования сосудистой патологии глазного дна.

4.4. Формирование нелинейных отображений на входах слоев НМС для диагностики и прогнозирования тромбоза центральной вены сетчатки и ее ветвей.

4.5. Оценка эффективности правил прогнозирования и диагностики степени тяжести тромбозов центральной вены сетчатки и ее ветвей

4.6. Выводы четвертой главы.

Актуальность темы. Сосудистые патологии сетчатки глаза являются одной из ключевых проблем современной офтальмологии. Несмотря на значительные успехи, достигнутые за последние десятилетия в диагностике и лечении офтальмологических заболеваний, число больных с поражениями сетчатки сосудистого генеза продолжает увеличиваться (Брапчевский С.Л., Тутаева Е.С., Водовозов A.M., Кацнельсон Л.А., Durcey N.M. и др.).

В связи с тем, что эффективность лечения сосудистой патологии глаз в значительной мере зависит от точности определения ее стадий и степени тяжести, одним из основных направлений в профилактике и лечении этих заболеваний является совершенствование методов их дифференциальной диагностики, включая прогнозирование возникновения заболеваний и донозологическую диагностику (Гаврилова H.A., Храмов А.Г., Купеев В.Г. и др.).

Для повышения достоверности диагностики сосудистых заболеваний глаз с учетом ограничений на оперативность и качество используют комплекс геометрических характеристик сосудов сетчатки. Однако измерения и объективная оценка этих показателей вызывает определенные трудности, связанные с нечеткостью и зашумленностью фотографического изображения глазного дна, как офтальмологического гак и флюоресцентно-ангиографического. Наиболее успешно в настоящее время выделяется центральная линия сосудов сетчатки (ЦЛСС) глаза, поэтому целесообразно для оценки состояния сосудов использовать именно эту характеристику (Ильясова И.10., Корепанов А.О., Куприянов A.B. и др.).

Для анализа кривых сложной формы используются дескрипторы Фурье (Яне Б.). При решении аналогичных задач в офтальмологии необходимо учитывать, что множество точек (пикселей) изображения, определенного ЦЛСС, не является выпуклым, а ЦЛСС - замкнутой. Это приводит к ограничениям на использование известных методов спектрального анализа сложных изображений. Для преодоления этих ограничений необходимы методы, позволяющие выполнить морфизм признакового пространства, позволяющий использовать аппарат Фурье -анализа для классификации сложных изображений.

В тоже время, анализ только геометрических характеристик сосудов не может дать однозначного решения по диагностике и выбору тактики лечения. Поэтому необходимы методы и алгоритмы, позволяющие интефировать частные решения по разнотипным данным в финальное решение, присутствующее на выходе интеллектуальной системы.

Таким образом, актуальной научно-технической задачей исследования является повышение качества диагностики патологии сосудов сетчатки на основе объективного анализа и количественной оценки геометрической формы сосудов на фотографическом изображении глазног о дна.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 20092013 годы (государственный контракт № П424 от 12 мая 2010 г.) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Фотографические изображения сетчатки глаза без патологии и с сосудистой патологией.

Предмет исследования. Методы и алгоритмы для интеллектуальной системы диагностики сосудистой патологии сетчатки глаза.

Цель работы. Разработка методов и алгоритмов для интеллектуальной системы диагностики сосудистой патологии сетчатки глаза на основе контурного спектрального анализа и нейросетевого моделирования, обеспечивающих повышение качества выявления патологий в условиях нечетко выраженных сегментов на фотографиях изображения глазного дна.

Для достижения поставленной цели в работе решены следующие задачи:

• исследованы методы и алгоритмы формирования пространства информативных признаков для классификации состояния сосудов сетчатки; разработан метод математического моделирования центральной линии сосуда сетчатки, предназначенный для интеллектуальной системы диагностики сосудистой патологии сетчатки, а также структурные и алгоритмические решения для его реализации;

• разработан метод формирования информативных признаков для нейронной сети, классифицирующей сосудистые заболевания глазного дна на основе анализа модели изображения центральной линии кровеносных сосудов глазного дна; в созданы сетевые структуры и алгоритмы их функционирования, предназначенные для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки глаза;

• разработана структура интеллектуальной системы диагностики сосудистых патологий сетчатки глаза и на ее основе проведена апробация предложенных методов, алгоритмов и специального программного обеспечения в клинической практике врача-офтальмолога.

Методы исследования. Для решения поставленных задач использовались методология искусственного интеллекта, методы теории биотехнических систем, морфологического анализа изображений, теории нейронных сетей и распознавания образов, теории спектрального анализа, статистического анализа, экспертного оценивания и принятия решений. При разработке нейросетевых моделей и модулей нечеткого вывода в качестве инструментария использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод построения математической модели сегмента центральной линии сосуда сетчатки, основанный на морфологической обработке бинарных или полутоновых фотографических изображений глазного дна, отличающийся тем, что путем использования цепочки, состоящей из четырех морфологических операторов, множество пикселей изображения, описывающих центральную линию кровеносного сосуда, дополняется до двух непересекающихся подмножеств, границы которых устанавливаются по нижней и верхней границам координат пикселей, входящих в исходное изображение, позволяющий представить изображение любой кривой, в том числе и незамкнутой, в виде контура минимальной толщины;

- метод формирования пространства информативных признаков для нейронной сети, классифицирующей центральные линии сосудов сетчатки глаза, основанный па определении дескрипторов Фурье соответствующего контура минимальной толщины, отличающийся тем, что после получения отсчетов спектра Фурье контура, число спектральных отсчетов дополняется нулевыми отсчетами, амплитуда спектральных составляющих увеличивается на величину, прямо пропорциональную величине расширения спектра, а затем число дескрипторов Фурье отсекается до оптимального значения, определяемого путем минимизации функционала ошибки, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах;

- сетевая структура классификации двухальтернативных данных, включающая два решающих модуля, отличающаяся тем, что первый решающий модуль имеет сетевую структуру, соответствующую модели Арнольда-Колмогорова, в котором узлы первого скрытого слоя выполняют нелинейные отображения, узлы второго скрытого слоя нейроны асШ'те, а второй решающий модуль предназначен для управления формой нелинейных отображений в первом скрытом слое первого решающего модуля в зависимости от окружения анализируемого пикселя изображения, позволяющая формировать центральную линию сосудов сетчатки глаза;

- алгоритмы формирования моделей сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна, отличающиеся использованием итерационных процедур настройки решающих модулей и итерационным процессом управления структурой скрытых слоев решающих модулей, входящих в настраиваемую модель, позволяющие получать модели сетевых структур, удовлетворяющие априорно заданным параметрам качества классификации.

Практическая значимость и результаты внедрения работы. Разработанные методы и алгоритмы составили основу построения интеллектуальной системы поддержки принятия решений для врача -офтальмолога, предназначенной для диагностики сосудистых заболеваний сетчатки глаза, экспериментальные испытания которой показали целесообразность ее использования в медицинской практике. Применение предложенных в диссертации разработок позволяет создавать информационное обеспечение систем поддержки принятия решений для проведения лечебно-оздоровительных мероприятий при офтальмологических заболеваниях.

Основные теоретические и практические результат!,I работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных»), и использованы в ходе профилактических обследований больных сахарным диабетом в ОБУЗ Офтальмологическая клиническая больница - Офтальмологический центр (г. Курск).

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

Соответствие диссертации паспорту научной специальности. Содержание диссертации соответствует п. 2 «Исследование, разработка и создание медицинской техники, изделий, инструментов, методов и способов диагностики и лечения человека, которые рассматриваются как средства восстановления нарушенной поливариантной системы» области исследования специальности 05.11.17 - Приборы, системы и изделия медицинского назначения.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Научно-технической конференции «Современные проблемы образования» (Курск, 2010); на И Региональной научно-практической конференции «Актуальные проблемы инфотелекоммуникации» (Курск, 2010); на IV Международной научно-методической конференции «Образование. Инновация. Качество», (Курск,

2010); XXIV Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы (Биомедсистемы - 2011)» (Рязань,

2011); на Международной научно-практической конференции «Информационные технологии в экономике, образовании и бизнесе» (Саратов, 2011); X Международной научно-технической конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2012» (Курск, 2012); на региональном научнотехническом семинаре «Инновационные научно-технические разработки и направления их реализации» (Курск, 2012); X Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии» (Владимир, 2012); на XX Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2012); на XV Международной научно-технической конференции «Медико-экологические информационные технологии» (Курск, 2012); на Международной научной конференции «Компьютерное моделирование в науке и технике» (Андорра, 2012); на Международной научной конференции «Фундаментальные и прикладные исследования в медицине» (Сочи, 2012); IX Международной научно-практической конференции «Перспективы развития информационных технологий» (Новосибирск, 2012), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2010, 2011, 2012).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 11 печатных работ, из них 4 работы в рецензируемых научных журналах.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [6] и [7] автор предложил методы и алгоритмы для спектрального анализа центральных линий сосудов сетчатки глаза; в [2], [3], [4], |9J и [10] соискателем предложены структуры нечетких нейросетевых решающих модулей и алгоритмы их обучения, предназначенных для классификации сосудов глазного дна; в [5] автором исследованы интеллектуальные морфологические операторы для анализа сложноструктурируемых изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 111 отечественных и 17 зарубежных наименований. Работа изложена на 142 страницах машинописного текста, содержит 58 рисунков и 10 таблиц.

4.6. Выводы четвертой 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 глазного дна, 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 кровеносных сосудов глазного дна. 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+1 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, получаемые в результате дополнительного разведочного анализа в выделенных группах информативных признаков, позволяют 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 предлагаемы правила прогноза и дифференциальной диагностики степени тяжести тромбозов центральной вены сетчатки и ее ветвей обеспечивают уверенность в правильном принятии решений на уровне 0,9.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для анализа сложносгруктурируемых изображений в интеллектуальных системах диагностики сосудистой патологии сетчатки глаза.

В диссертации получены следующие основные результаты.

1. Исследованы методы и алгоритмы формирования пространства информативных признаков для классификации состояния сосудов сетчатки. На основе проведенного анализа предложено в интеллектуальных системах диагностики сосудистых патологий сетчатки глаза по результатам анализа изображений глазного дна использовать спектральные методы обработки изображений и решающие модули, построенные на основе сетевых моделей.

2. Разработан метод математического моделирования центральной линии кровеносного сосуда, основанный на морфологической обработке бинарных и полутоновых изображений, предназначенный для интеллектуальной системы диагностики сосудистой патологии сетчатки, а также структурные и алгоритмические решения для его реализации, позволяющие представить любую кривую, в том числе и ветвящуюся, в виде контура минимальной толщины.

3. Разработан метод формирования информативных признаков для нейронной сети, классифицирующей центральные линии кровеносных сосудов сетчатки глаза, основанный на вычислении дескрипторов Фурье контура минимальной толщины, соответствующего этой линии, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов в анализируемых контурах.

4. Созданы многомодульные сетевые структуры и алгоритмы их функционирования, предназначенные для прогнозирования и дифференциальной диагностики заболеваний сосудов сетчатки глаза, включающие:

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

- алгоритм получения нелинейных отображений в первом скрытом слое первого решающего модуля;

-алгоритм формирования моделей сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна;

- алгоритм формирования моделей первого решающего модуля сетевых структур для классификации пикселей на офтальмологическом изображении глазного дна, позволяющий получить модель первого решающего модуля, удовлетворяющую требуемым параметрам качества классификации;

- программное обеспечение для формирования сетевых моделей, предназначенных для классификации пикселей на офтальмологическом изображении глазного дна при сосудистой патологии, включающее интерактивные среды настройки функциональных блоков сетевых структур, реализованное в среде Ма^аЬ 7.0.

5. Разработана структура интеллектуальной система диагностики сосудистых патологий сетчатки глаза, включающая: нейронные сети с макрослоями, использующие для диагностических заключений по группе информативных признаков, получаемых по различным методикам и технологиям;

- нелинейные отображения для первого скрытого слоя нейронных сетей, 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

6. Проведенные исследования на репрезентативных контрольных выборках показали:

- предложенный метод формирования признакового пространства обеспечивает получение решающих правил, диагностическая эффективность которых при решении задачи классификации сосудов сетчатки глаза «норма» - «патология» составляет 93% и может быть использован для автоматизированной диагностики патологических изменений кровеносных сосудов глазного дна;

- 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 и могут быть использованы в клинической практике.

1. Автоматизированные медико-технологические системы в 3-х частях: Монография /А.Г. Устинов, В.А. Ситарчук, H.A. Кореневский; Под ред. А.Г.Устинова. Курск, гос. техн. ун-т. Курск, 1995. 390 с.

2. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика / С.А. Айвазян, B.C. Мхитрян. 2-е изд., испр. М.: ЮНИТИ-ДАПА, 2001.656 с.

3. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов: В 2 т. Т. 2. Основы эконометрики. / С.А. Айвазян. 2-е изд., испр. М.: ЮПИТИ-ДАНА, 2001. 432 с.

4. Аксёнов, C.B. Повышение качества распознавания сцен нейронной сетью «Нсокогнитрон» / C.B. Аксёнов, В.Б. Новосельцев // Известия Томского политехнического университета. 2006. Т. 309. № 7. С.87-91.

5. Александров В.В., Алексеев А.И., Горский Н.Д. Анализ данных на ЭВМ (на примере системы СИТО). М.: Финансы и статистика, 1990. 245с.

6. Ахметшина, Л.Г. Адаптивная инверсная фильтрация низкоконтрастных изображений на основе комбинации методов автоморфного отображения и нейросетевого синтеза. / Л.Г.Ахметшина, A.M Ахмегшин. // Искусственный интеллект. 2006. №4. С. 264-274.

7. Ахутин В.М. Биотехнические системы. JL: ЛГУ, 1979. 257 с.

8. Башков, Е.А. Статистическая кластеризация для выделения регионов изображений / Е.А. Башков, О.Л. Вовк // Зб1рник праць V М1жнародно'1 науково'1 конференцп «1нтелектуальний анал1з ¡нформацп». -«Просв1та», Khïb. 2005. С. 50-59.

9. Беляев, И. А. Применение принципов формального моделирования для классификации медицинских изображений / И. А. Беляев, С. В. Кучерявский // Барнаул МКО. Т2. 2007. С. 355-361.

10. Бранчевский СЛ., Гаврилова H.A., Ильясова И.Ю., Храмов А.Г. Система цифрового анализа для диагностики сосудистой патологии глазного дна //Вестник офтальмологии. №5, 2003. С. 57-61.

11. Бунин А.Я., Форофонова Т.И., Кацнельсон JI.A. Сосудистые заболевания глаз. М: Медицина, 1990. С. 126-154.

12. Вежнсвец, А. Выделение связных областей в цветных и полутоновых изображениях / А. Вежневец// On-Line журнал Графика и мультимедиа. 2003.

13. Вежневец, А. Методы сегментации изображений: автомат ическая сегментация / А.Вежневец, О. Баринова // Режим доступа: http ://cgm.computergraphics.ru/content/vievv/147.

14. Вершовский, Е.А. Предварительная обработка изображений методами интеллектуального анализа многомерных данных. / Е.А. Вершовский //Известия Южного федерального университета. Технические науки. 2008. Т. 79. №2.

15. Гай, Е.В. Адаптивный алгоритм сегментации изображений / В.Е. Гай, A.J1. Жизняков // Муромский институт (филиал) Владимирского государственного университета им. А.Г. и Н.Г. Столетовых. Инфокоммупикационпые технологии. Т.6, №4. 2008. С. 96-101.

16. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974. 386 с.

17. Гимелъфарб Г.Л., Гиббсовские случайные поля как вероятностные модели изображений на нижнем уровне вычислительного зрения. / Г.Л. Гимелъфарб, A.B. Залесный //Методы обработки сигналов и полей: Межвузовский сборник научных трудов. Ульяновск. 1995.

18. Гиренко, A.B. Методы корреляционного обнаружения объектов. / A.B. Гиренко, В.В. Ляшенко, Машталир и др.. // Харьков. АО «БизнесИнформ». 1996. 112 с.

19. Голембо З.Б., Зинкевич В.П. Средства и методы обработки медико-биологической информации на ЭВМ //Итоги науки и техники. Серия техническая кибернетика. Биология (методы в биологических исследованиях). 1989. Т. 26. С. 35-39.

20. Гонсалес, Р. Цифровая обработка изображений в среде Matlab / Р. Гонсалес, Р. Вудс, С. Эддинс. М.: Техносфера, 2006. 616 с.

21. Гороховатский, В.А. Корреляционные методы распознавания изображений путем голосования систем фрагментов/ В.А. Гороховатский, Е.О. Передрий//Радиоэлектроника. Информатика. Управление. №1. 2009.

22. Давыдов, A.B. Цифровая обработка сигналов: Тематические лекции / A.B. Давыдов //Екатеринбург: УГГУ, ИГиГ, кафедра геоинформатики. 2007-2010. Режим доступа: hUp://\vww.prodav.narod.ru/dsp/index.html.

23. Дегтярев, 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.

24. Джуманов, О.И. Адаптивная нейросегевая система визуализации изображений, распознавания и классификации микрообъектов / О.И. Джуманов // Проблемы информатики. 2009. С.63 72.

25. Диаморф объектив современное программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях. Режим доступа: http://wvvw.diamoфh.ru/aboulprog.http.

26. Дмитриев, A.B. Распознавание дерматоглифических признаков на основе нейронных сетей / A.B. Дмитриев, А.Н. Ветров // Медицинские информационные системы МИС-2006. Таганрогский государственный радиотехнический университет. Таганрог. 2006. С. 162-167.

27. Дубровин Б.А., Новиков С.П., Фоменко А/Г. Современная геометрия: методы и приложения. М.: Эдиториал УРСС. 1998. Т.1

28. Дуда Р., Харт Р. Распознавание образов и анализ сцен. М.: Мир, 1976. 328 с.

29. Ермоленко, A.B. Алгоритм поиска примитивов на фотографиях с применением нейронных сетей/ A.B. Ермоленко, A.A. Козличенков // Часть 2. Нейроинформатика. 2010.

30. Жилин, В.В. Математические методы обработки многомерных данных и временных рядов: учебное пособие / В.В. Жилин, A.A. Кузьмин, С. А. Фил ист и др.; Курск, гос. Сельскохозяйственная академия. Курск, 2008. 229 с.

31. Жук, C.B. Обзор современных методов сегментации растровых изображений / С.В Жук // Известия Волгоградского государственного технического университета: Межвуз. сб. научн. ст. / ВолгГТУ. -Волгоград, 2009. №6. С. 115-118.

32. Журавель, И.М. Краткий курс теории обработки изображений. / И.М.Журавель // М.: 2004.

33. Заде JI.A. Понятие лингвистической переменной и ее применение к принятию приближенных решений. М.: Мир, 1976. 312 с.

34. Заявка 2003106128 Российская Федерация. Способ диагностики сосудистой патологии глазного дна / Ильясова Н. Ю., Бранчевский С. J1., Храмов А. Г., Устинов А. В., Гаврилова Н. А., Ланевская Н. И., Дурасов А.

35. Б.; заявитель Ильясова Н. Ю., Бранчевский С. Л., Храмов А. Г., Устинов А. В., Гаврилова Н. А., Ланевская II. И., Дурасов А. Б. № 2003106128/14; заявл. 05.03.03; опубл. 27.08.04.

36. Ильясова, Н.Ю. Метод выделения центральных линий кровеносных сосудов / НЛО. Ильясова, А.О. Корепанов, П.М. Чикулаев // Компьютерная оптика 2006. №29. С.146-150,

37. Ильясова, 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.

38. Искусственный интеллект: в 3 кн. /Под ред. Э.В. Попова. М.: Радио и связь, 1990. 421 с.

39. Кацнельсон Л.А., Лысенко B.C., Балишанская Т.И. Клинический атлас патологии глазного дна Издательство: ГЭОТАР-Медиа, 2008. 120 с.

40. Кацнельсон, Л.А. Клинические формы диабетической рет инопатии/ Л.А. Кацнельсон // Вестник офтальмологии, 1989. № 5. - С. 43-47.

41. Кварнстром, М. Алгоритмы анализа изображения для распознавания контура дрожжевых клеток Электронный ресурс. / М. Кварнстром// Пер. с англ. Батлук Н.С. Режим доступа: http://maslers.donntu.cdu.ua/2009/kita/batluk library/imageanalysis ru.pdf

42. Ковтун, И.В. Текстурная сегментация изображений на основании Марковских случайных полей / И.В. Ковтун // УСиМ. 2003. № 4. С. 46-55.

43. Кореневский H.A. Полифункциональная система интеллектуальной поддержки принятия решений по рационализации лечебно-диагностических процессов //Вестник новых медицинских технологий. ВНМТ. Тула, 1996. Т.З. №2 С. 43-46.

44. Кореневский H.A., Тутов Н.Д., Корженевич И.М. Способы представления разнотипных в данных задачах медицинских и экологических исследований // Известия Курского государственного технического университета, КГТУ, Курск, 1998, №2 с. 56-63.

45. Корепанов, А.О. Обнаружение границ радужной оболочки с использованием преобразования Хоу / А.О. Корепанов // Вестник СГАУ.2008. С. 235-240

46. Коротких В.Ф., Кореневский H.A. Синтез логических решающих правил в задачах медицинской диагностики //Медико-экологические информационные технологии: Материалы второй международной научно-технической конференции, 1999. С. 36-38.

47. Коскас, Г. Комплексная диагностика патологии глазного дна / Г.Коскас, Ф. Коскас, А. Зурдан . М.: Практическая медицина. 2007. -469с.

48. Куприянов, 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.

49. Лбов Г.С. Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука, 1981.

50. Луценко, 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.

51. Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. М.: Энергоатом из дат, 1991. 136 с.

52. Мариничев, К. Алгоритмы выделения параметрических кривых на основе преобразование Хафа./ К. Мариничев, В. Вежневец // Компьютерная рафика и мультимедиа. 2006. №4 (1)

53. Мартынкина, Л.П. Информативность экспресс-латекс-тестов при использовании видеоцифровой регистрации / Л.П. Мартынкина, Т.А. Старовойтова, H.A. Стериополо и др. // Клинико-лабораторный консилиум. Сб П. 2009. №6. С.56-62.

54. Матюнин, С.А. Моделирование состояния эндотелиальных клеток по их фотоизображению / С.А. Матюнин, Н.С. Селиверстова // Компьютерная оптика. 2002. Т. 24. С. 173-177.

55. Медовый, B.C. Автоматизированные цитофотомстрические тесты мазков крови для общей клиники и скрининговых обследований населения / B.C. Медовый, В.А. Балабуткин, Н.В. Верденская // Клин, лабор. диагностика. 1997. №10. С. 6-8.

56. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Расплывчатые ситуационные модели принятия решений: Учеб. пособие. Таганрог: ТРТИ, 1986.

57. Михайлов, В.Н. Автоматизированный офтальмологический комплекс Атлант-Retina / В.Н. Михайлов, Н.С. Бургова, A.B. Корогодин и др. I //Электронный ресурс: http://library.mephi.ru/data /scientifïc-sessions/1998/5/196.hlml.

58. Михалец, B.B. Обзор методов сегментации полутонового цифрового изображения / В. В. Михалец // Режим доступа: http://masters.donntu.edu.ua/2010/fknt/deputat/links/index.htm.

59. Модели принятия решений па основе лингвистической переменной /Борисов А.Н., Алексеев A.B., Крумберг O.A. и др. Рига: Зинятие, 1982.212 с.

60. Моржаков, В. Современные биометрические методы идентификации / В. Моржаков, А. Мальцев // Безопасность. Достоверность. Информация. 2009. № 83. С. 44-48.

61. Научная сессия МИФИ-2003. V Всероссийская научно-техническая конференция «НЕЙРОИНФОРМАТИКА -2003»: Лекция по нейроинформатике. Часть 1. М.: МИФИ, 2003. 188 с.

62. Неймарк Ю.И. Баталова Э.С. Распознавание образов и медицинская диагностика. М.: Наука, 1972. 302 с.

63. Овчинников C.B., Рьера Т. О нечетких классификациях: В кн. Нечеткие множества и теория возможностей. Последние постижения: Пер. с англ. /Под ред. P.P. Ягера. М.: Радио и связь, 1986. 408 с.

64. Орлов, A.A. Алгоритм вычисления признаков отрезков па растровых изображениях основанный на вычислении градиента яркости / А.А.Орлов, М.И. Ткачук // Инфокоммуникационные технологии. Т. 6, № 3. 2008. С. 36-41.

65. Осовский, С. Нейронные сети для обработки информации/ С. Оссовский М.: Финансы и статистика, 2002. - 344 с. '

66. Патана, E.H. Метод определения размера модели марковского случайного поля / Е.И. Патана // Известия Южного федерального университета. Технические науки. 2009. Т. 97. № 8. С. 206-212.

67. Перов, А.И. Алгоритм последовательного выделения контура объекта на двумерных цифровых изображениях / А.И. Перов, Г.Г. Соколов // Радиотехника. 1998. № 7.

68. Подвальный Е.С. Модели индивидуального прогнозирования и классификации состояний в системах компьютерного мониторинга. Воронеж: Изд-во ВГТУ, 1998. 127 с.

69. Полякова, М.В. Контурная сегментация изображений с использованием вейвлет-анализа / М.В. Полякова, В.В. Любчепко // Труды Одесского политехнического университета. 2004. вып. 1(21). С. 1-5.

70. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. 287 с.

71. Построение экспертных систем: Пер. с англ. /Под ред. Ф. Хейса-Рота, Д. Уотермана, Д. Лената. М.: Мир, 1987. 412 с.

72. Привалов, О.О. Автоматическая сегментация цифровых изображений медико-биологических препаратов методом кластерного анализа / О.О. Привалов, Л.П. Бутенко // Современные наукоемкие технологии. 2007. №10. С. 79-80.

73. Прикладная статистика: классификация и снижение размерности /Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. 315 с.

74. Путятин, Е.П. Нормализация и распознавание изображений / Е.П. Путятин // Электронный ресурс: http://sumschool.sumdu.edu.ua/is-02/ш8/1есШге8/р>1:уаип/ру1уа1т.111т.

75. Путятин, Е.П. Обработка изображений в робототехнике. / Е.П. Путятин, С.И. Аверин // М: Машиностроение. 1990. 320 с.

76. Распознавание образов и медицинская диагностика /Под ред. Ю.И. Неймарка, Глав. ред. физ.-мат. литературы издательства «Наука». М., 1972.328 с.

77. Сафарли H.H., Щёголева И.В., Будзинская М.В., Киселёва Т.Н., Киселев Г.Л. Метод количественной оценки интенсивности флюоресценции в определении активности хориоидальиой иеоваскуляризации// Практикующий врач. М. 2007. №6. С.101-102.

78. Сирота, A.A. Статистические алгоритмы обнаружения границ объектов на изображениях / А. А. Сирота, А. И. Соломатин // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2008. № 1. С.58-64.

79. Сойфер, В.А. Методы компьютерной обработки изображений / В.А. Сойфер // М.: Физматлит, 2003. 784 с.

80. Солдатова, О.П., Применение сверточной нейронной сети для распознавания рукописных цифр / Солдатова О.П., Гаршин A.A. // Компьютерная оптика, Т. 34, №2. 2010. С. 251-259.

81. Сосудистые заболевания глаз /Кацнельсон Л.А., Форофонова Т.И., Бунин А.Я. М.: Медицина, 1990. 272 с.

82. Справочник по функциональной диагностике в педиатрии /Под ред. Ю.Е. Вельтищева, Н.С. Кисляк. М.: Медицина, 1979. 624 с.

83. Терапевтическая офтальмология /Под ред. M.J1. Краснова, Н.Б. Шульпиной. М.: Медицина, 1985. С. 477-495.

84. Уотерман Р.Д., Ленат Д., Хейсе Рот Ф. Построение экспертных систем: Пер. с англ. М.: Мир, 1987. 165 с.

85. Филист С.А., Пихлап C.B., Томакова P.A. Нечеткие нейросетевые структуры для сегментации изображений глазного дна //Вестник Воронежского государственного технического университета. Воронеж, 2009. Т.5. №4. С.42-45.

86. Фисенко, В.Т. Компьютерная обработка и распознавание изображений / В.Т. Фисснко, Т.Ю. Фисенко //СПб.: СПбГУ ИТМО. 2008. 192 с.

87. Хадарцев A.A., Тутаева Е.С., Купеев В.Г., Адырхаева Д.А., Смирнова И.Е. Обработка визуализированной информации о микроциркуляции глазного дна //Системный анализ и управление в биомсдицинских системах. М., 2003. Т. 2. №4. С. 354-358.

88. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. М.: ООО «И.Д. Вильяме», 2006. 1104 с

89. Хлесткин, А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами / А.Ю. Хлесткин,

90. B.П. Кривозубов, A.B. Николаева // Инфокоммуникационные технологии. 2006. №3. С. 64-69.

91. Хрящев, 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.

92. Чекотило, Е.Ю. Спектральный анализ вероятностных характеристик изображений / Е.Ю. Чекотило, П.К. Кузнецов // Вестник Самарского Государственного, технического университета. Серия «Физико-математические науки». Самара, 2006. №42. С 212-215.

93. Чернецова, Е.А. Алгоритм классификации монохромных изображений с использованием нейронных сетей / Е.А. Чернецова // Вычислительные технологии. 2008. Т. 13. № 2. С. 119-130.

94. Экспертные системы. Принципы работы и примеры: Пер. с англ. /А. Брукинг, Д. Джонс, Ф. Кокс и др; Под ред. Р. Фройсата. М.: Радио и связь, 1987. 352 с.

95. Экспертные системы: Пер. с англ. /Под ред. Р. Форсайта. М.: Радио и связь, 1987. 421 с.

96. Элти Дж. Кумбс Экспертные системы: концепции и примеры: Пер. с англ. М.: Финансы и статистика, 1987. 251 с.

97. Яне, Б. Цифровая обработка изображений / Б. Яне М.: Техносфера, 2007. 584 с.

98. Almong Y., Neitfiorfer M. et. al. //Invest.Ophtlialmol.Vis Sei. 1997. Vol. 38. N4. P. 777.

99. Autonomie Neuroeffector mechanisms //Burrstock G. Houle ch. H. V. (Eds.) Harwuud academic publishers Chur. 1995. 580 p.

100. Buchanan B.G. and Shortliff E.N. Rule Expert Systems The MYCIN Experiments of the Stanfond Neuristic Programming Progect. Addison - Wesley. 1984.

101. Givitgh A.M. Role of neurophysiologocal muhanisms in postresuscitation patology and postresuscitation nestoration of CNS function //Minerva Anestesi. 1994. Vol. 60. P. 501-504.

102. Grisan Enrico, Foracchia Marco, and Ruggeri Alfredo. A novel method for the automatic evaluation of retinal vessel tortuosity Department of Information Engineering, University of Padova, Italy.

103. Hart W.E. Measurement and classification of retinal vascular tortuosity // Applied Numerical Mathematics Dept. Sandia National Laboratories, wehart@cs.sandia.gov |.

104. Hayes-Roth, F.: «The Knowledge-Based Expert System: A Tutorial». IEEE COMPUTER. 1987. Vol. 17. N9. P. 11-18.

105. Hoover A., Kouznetsova V., and Goldbaum M. Locating blood vessels in retinal images by piece-wise threshold probing of a matched filter response // IEEE Transactions on Medical Imaging, 2000. Vol. 19. No. 3. P. 203-210.

106. Kagorawa H. et. al. //Invest.Ophtlialmol.Vis Sci. 1997. Vol. 38. N4. P. 781.

107. Kylstra J.A. Freedman. S.F., Capowsky J.J., Hall J.G., Measurement of retinal vessel tortuosity as a means of diagnosis plus disease in ROP Invest Ophthalmol Vis Sci 1995:36:77.

108. Negoita, C.N.: Expert System and Fuzzy Systems. The Benjamin /Cammings Publishing Co., Menlo Park. CA, 1985.

109. Ness T., Muller-Vellen R. stal. //Invest.Ophtlialmol.Vis Sei. 1997. Vol. 38. N4. P. 777.

110. Puppe F. Diagnostisches Problemlosem mit Experten system //Informatik Fachberichte. Berlin: Heidelberg; N.-Y.: Springer. 1987. Vol. 148. P. 34 -40.

111. Schwartz W., Patil R., Srolovits P. Artificial Intelligence in Medicine: Where Do We Stand //New Engl. J. Med. 1987. Vol. 316. P. 685-688.

112. Shortliffe E.H. Computer-Based medical Consultations: MYCIN. New York: American Elsevier, 1976.

113. Weiss S.M., Kulikowski C.A. A Practical Cuide to Desinging Expert System. New Gersey: Powman & Allan-held Publ., 1984.

114. Woo H.W., Kim Y. A model imaging system with electrical impedance//Ibid. Vol. 1. P. 343-346.