автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Синтез нечетких моделей для анализа структуры изображения глазного дна в медицинской системе поддержки принятия решений

На правах рукописи

Пихлап Сергей Викторович

СИНТЕЗ НЕЧЕТКИХ МОДЕЛЕЙ ДЛЯ АНАЛИЗА СТРУКТУРЫ ИЗОБРАЖЕНИЯ ГЛАЗНОГО ДНА В МЕДИЦИНСКОЙ СИСТЕМЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

Автореферат диссертации на соискание ученой степени кандидата технических наук

□03473438

КУРСК 2009

003473438

Работа выполнена в ГОУ ВПО «Курский государственный технический университет» на кафедре биомедицинской инженерии

Научный руководитель: доктор технических наук, с.н.с.

Ключиков Игорь Алексеевич

Официальные оппоненты: доктор технических наук, доцент

Дегтярев Сергей Викторович,

кандидат технических наук, доцент Горбатенко Светлана Александровна

Ведущая организация: Белгородский государственный

университет

Защита диссертации состоится 26 июня 2009 года в 14 часов в конференц-зале на заседании совета по защите докторских и кандидатских диссертаций Д 212.105.03 при ГОУ ВПО «Курский государственный технический университет» по адресу: 305040, г. Курск, ул. 50 лет Октября, 94.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Курский государственный технический университет», по адресу г. Курск, ул. 50 лет Октября, 94.

Автореферат разослан 22 мая 2009 г.

Автореферат размещен на сайте kurskstu.ru

Ученый секретарь диссертацжишого сорМг

к.ф-м.н., профессор / »// Старков Ф.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Заболевания сетчатки в соответствии с современными эпидемиологическими данными занимают одно из первых мест в мире как причина слабовидения и слепоты. Поражения глазного дна часто имеют место при гипертонической болезни, особенно тромбоз вен сетчатки.

Диагностика патологий глазного дна считается сложной задачей (Сой-фер В.А., Ильясова Н.Ю.). Во врачебной практике наличие патологических аномалий на изображении глазного дна определяется в основном визуальным способом. Врач-офтальмолог должен обладать обширным опытом, чтобы определить, с какой патологической аномалией имеет дело и следствием какого заболевания она является. Современные компьютерные технологии позволяют автоматизировать процесс обнаружения и построения количественных оценок элементов патоморфологической картины глазного дна, используемых в формировании экспертной оценки патологий сетчатки. Для этого осуществляется объектная сегментация изображения глазного дна, суть которой состоит в оконтуривании границ объектов и разметки образовавшихся сегментов (областей) на основе выбранных признаков объектов.

Цвет (окраска) является одним из наиболее информативных признаков в задаче выделения патологических образований и морфологических структур на изображении глазного дна. В связи с этим решение указанной задачи базируется на построении цветовых гистограмм изображения, нахождении некоторого "среднего" цветового вектора для каждого максимума гистограммы, вычислении евклидовых расстояний между точками цветового пространства и средним значением, отнесении к одному сегменту точек, находящихся от среднего на расстоянии ниже порогового (Gonzalez R., Woods R.). Результаты сегментации при таком подходе часто оказываются неудовлетворительными из-за влияния неравномерности мощности и цветности освещения в пространстве сцены, а также зависимости отражательных свойств поверхности от угла наблюдения. В таких условиях в получаемых изображениях появляются дополнительные границы, связанные с затенениями, бликами, тенями, рёбрами, никак не связанные с цветовыми характеристиками объектов в сцене. В итоге при сегментации изображения объект дробится на более мелкие области, что приводит к ошибкам в оценках патологий сетчатки. Эта особенность механизмов формирования изображения делает задачу сегментации трудно разрешимой при отсутствии априорных знаний о характере освещения и отражения объектов. В этом случае целесообразно использовать гибридные системы сегментации, реализованные на основе разнородных информационных технологий (Ярушина Н.Г.).

При разработке методов и средств сегментации и анализа изображений часто применяется двумерный анализ Фурье. Однако его использование при объектной сегментации изображений глазного дна затруднено тем, что анализируемые изображения не имеют ярко выраженных пространственных частот. Поэтому для решения рассматриваемой задачи представляется целе-

сообразным создание автоматизированных систем, использующих априорные знания в виде результатов предыдущего опыта и текущего обучения.

В связи с вышеизложенным, разработка систем интеллектуальной поддержки анализа изображений глазного дна на основе гибридных технологий управления сегментацией в пространствах RGB кодов и их спектров для поддержки принятия решений в условиях нечетко выраженных границ сегментов является актуальной задачей.

Работа выполнена в рамках Федеральной целевой программы «Предупреждение и борьба с социально значимыми заболеваниями (2007-2011 годы)», подпрограмма «Артериальная гипертония» и в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий».

Цель работы. Повышение эффективности выделения патологических образований и морфологических структур иа изображении глазного дна посредством нечетких нейросетевых моделей, осуществляющих нечеткий анализ изображений глазного дна в пространстве RGB кодов пикселей и в пространстве частот.

Для достижения поставленной цели необходимо решить следующие задачи:

- разработать нечеткую нейронную сеть для выделения патологических образований и морфологических структур изображений глазного дна;

- разработать структуру выходного слоя нечеткой нейронной сети, предназначенного для синтеза бинарного изображения патологического образования или морфологической структуры;

- разработать гибридный способ выделения пикселей изображения глазного дна, принадлежащих к заданному классу патологического образования или морфологической структуры, объединяющий двумерный спектральный анализ изображения и нейросетевые технологии;

- разработать автоматизированную систему анализа изображений, основанную на гибридных технологиях обработки данных и предназначенную для врача-офтальмолога, включающую алгоритмы сегментации изображений глазного дна и алгоритмы обучения нечетких нейросетевых структур;

- провести апробацию предложенных способов и алгоритмов на репрезентативных контрольных выборках.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, двумерного спектрального анализа, математической статистики, теории нечетких нейронных сетей, распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался Matlab 6.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox. При разработки модуля спектрального анализа изображений использовался Matlab 7.0.1 с пакетом Image Processing Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- структура нечеткой нейронной сети, позволяющей выделять пиксели изображения глазного дна, относящиеся к заданным патологическим образованием или морфологическим структурам, включающая два нечетких решающих модуля, первый из которых предназначен для нечеткого анализа RGB - кодов изображения, отличающаяся тем, что второй нечеткий решающий модуль осуществляет нечеткую коррекцию структуры фуззификатора первого нечеткого решающего модуля;

- структура бинаризатора нечеткой нейронной сети, выполняющего функцию третьего слоя и предназначенного для получения бинарного изображения патологических образований на изображении глазного дна, отличающаяся тем, что анализируемый пиксель включается в искомый сегмент только в том случае, если срабатывает двухвходовая схема совпадения, один вход которой соответствует анализируемому классу, а другой - классу патологического образования с наибольшей уверенностью, полученной по RGB -кодам пикселя;

- гибридная технология сегментации изображения глазного дна, отличающаяся последовательными процедурами обработки полутонового изображения, включающими двумерное дискретное преобразование Фурье, фильтрацию на основе двумерной свертки, фильтрацию на основе однослойной нейронной сети и обратное двумерное дискретное преобразование Фурье;

- способ обучения нейронной сети, входящей в гибридную систему сегментации изображений глазного дна, отличающийся тем, что коэффициенты нейронной сети настраиваются по текущему значению ошибки, которая определяется как разность между двумерным спектром эталонного изображения патологической структуры и изображением, полученным на выходе нейронной сети, на вход которой подается двумерный спектр анализируемого изображения.

Практическая значимость и результаты внедрения. Разработанные способы, модели и алгоритмы составили основу построения автоматизированной системы анализа изображений глазного дна, практические испытания которой показали высокое качество выделения патологических структур изображения глазного дна, повышающее диагностическую эффективность анализа.

Программные средства ориентированы на практическое здравоохранение и реализуют алгоритмы диагностики, способствующие ускорению процессов реабилитации больных с артериальной гипертензией.

Результаты работ внедрены в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 200300.68 - «Биомедицинская инженерия» и используются в клинической практике больницы скорой медицинской помощи №1 г. Курска.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XI и XII Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2008, 2009); II и III Всероссийских научно-технических конференциях «Информационные и управленческие технологии в медицине и экологии» (Пенза, 2008, 2009); на XVI Международной конференции «Ла-зерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2008), на Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2008» (Таганрог, 2008), Третьем Международном радиоэлектронном Форуме «Прикладная радиоэлектроника. Состояние и перспективы развития» (Харьков, 2008); на VI Всероссийской научно-технической конференции «Искусственный интеллект в XXI веке. Решения в условиях неопределенности» (Пенза, 2008); на I Международной научно-технической конференции «Диагностика - 2009» (Курск, 2009), на научно-технических семинарах кафедры биомедицинской инженерии КурскГТУ (Курск, 2007,2008,2009).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 13 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] и [5] автор предложил способы и средства синтеза изображений биомедицинских сигналов; в [2], [3] и [11] соискателем предложена структура нечеткого нейросетевого решающего модуля и алгоритм его обучения, предназначенного для сегментации изображений глазного дна; в [4], [6] и [8] автор анализирует и предлагает способы спектральной обработки биомедицинских сигналов и изображений; в [7] автором предложена структура автоматизированной системы для обработки и анализа изображений глазного дна; в [9, 10] и [13] соискатель предложил гибридные нейросетевые информационные технологии сегментации цветных изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 110 отечественных и 37 зарубежных наименования. Работа изложена на 134 страницах машинописного текста, содержит 64 рисунка и 1 таблицу.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы, определяются цели и задачи исследования, научная новизна и практическая значимость работы. Кратко излагается содержание глав диссертации.

В первой главе выполнен анализ состояния предметной области: дано описание патологических образований и морфологических структур изображения глазного дна, особенностей их получения, обзор существующих методов систем обработки медицинских изображений, а также описание основных направлений развития способов сегментации объектов. На протяже-

нии последних десятилетий сегментация изображений, т.е. идентификация однородных областей на изображении, является объектом активных исследований. Существует большое количество алгоритмов автоматической сегментации полутоновых изображений. Однако, проблеме сегментации цветных изображений, содержащих большее количество информации об объектах сцены, уделено значительно меньшее внимание. В настоящее время с развитием и распространением аппаратуры регистрации цифровых цветных изображений разработчикам компьютерных систем обработки изображений (систем технического зрения) все чаще приходится решать задачи сегментации цветных изображений.

Изображения, полученные с помощью цифровых камер и сканеров, обычно представлены в цветовом пространстве RGB. Также широко используются цветовые модели, основанные на восприятии человека, такие как HSB, и аппаратно-независимые модели XYZ, CIE(Lab), CIE(Luv) и др.

При обработке и анализе изображений глазного дна возникает ряд проблем, связанных с неравномерностью освещенности сегментов глазного дна и трудностями формализации описаний его морфологических структур. Поэтому наиболее рациональным решением проблемы сегментации представляется использование гибридных технологий сегментации, включающих нечеткую логику принятия решений, нейронные сети и спектральный анализ.

В заключение первой главы формируются цель и задачи исследования.

Вторая глава посвящена вопросам проектирования нечеткой нейронной сети для обработки и анализа изображения глазного дна.

В связи с многообразными особенностями строения глаза и различием в степени пигментации, процесс выделения патологических образований и морфологических структур на ангиограммах глазного дна является сложной задачей. Проведенные нами исследования показали, что для повышения точности разделения границы норма-патология и эффективности количественных оценок патологических структур целесообразно представить патологические образования и морфологические структуры в виде бинарного изображения - патологического сегмента. Так как патологические аномалии одного и того же класса могут быть дислоцированы по всему изображению глазного дна и располагаться на участках с различной освещенностью и на различных морфологических структурах, то при принятии решения о принадлежности анализируемого пикселя к данному классу патологической аномалии необходимо учитывать цветовые характеристики близлежащих пикселей, то есть фон.

Для принятия решения о принадлежности анализируемого пикселя изображения глазного дна к патологическому сегменту предлагается использовать нейросетевую структуру, представленную на рис.1. На вход нечеткой нейронной сети подаются два вектора информативных признаков. Первый трехкомпонентный вектор информативных признаков подается на первый нечеткий решающий модуль и представляет собой RGB коды пикселей.

На второй нечеткий решающий модуль подается трехкомпонентный вектор фона, значение компонент которого определяются статистическими характеристиками RGB кодов пикселей в окрестности анализируемого пикселя, форма и размеры которой зависят от диагностируемого вида патологии. Второй нечеткий решающий модуль осуществляет управление структурой фуззификатора первого нечеткого решающего модуля в зависимости от цветовой палитры пикселей, окружающих анализируемый пиксель.

Рис.1. Структурная схема нечеткой нейронной сети

Бинаризатор, выполняющий функции дефуззификатора нечеткой нейронной сети, анализирует нечеткий вектор на выходе первого нечеткого решающего модуля и бинарный вектор на выходе селектора классов, который остается неизменным в течение всего периода синтеза изображения патологического сегмента, и принимает окончательное решение о принадлежности анализируемого пикселя к синтезируемому изображению патологического сегмента.

Возможная модель структуры первого нечеткого решающего модуля показана на рис.2.

В качестве примера на ней показан нечеткий решающий модуль, предназначенный для выделения трех классов патологических сегментов. Для каждого класса патологического сегмента или морфологической структуры с0/ и для каждого класса фона у к формируется триада функций принадлежности

t%(R), <(G), l =1.2 . 3; к=1.2, 3. (1)

В модели структуры рис.2 используются три класса фона у?, f3 с коэффициентами уверенностями для анализируемого пикселя КУ(ч/]), КУ(ц!2), KY(f}), которые вычисляются во втором нечетком решающем модуле рис.1. В таком случае для фиксированного класса фона при анализе конкретного пикселя изображения глазного дна фуззификатор нечеткой нейронной сети включает девять функций принадлежности. Для каждого класса фона y/t каждый класс патологического сегмента и, также имеет три функции принадлежности для каждого из RGB кодов, то есть фуззификатор нечеткой нейронной сети состоит из ячеек

К, (Л) = ЬС, (Л), Л] (Л), Л] (Л)}, (2)

где Л принимает значения R, G или В, а I -1,2, или 3.

Блок выбора функций принадлежности в зависимости от фона анализируемого пикселя осуществляет выбор одной из функций принадлежности множеств (2) в каждой ячейке фуззификатора. Структура такого фуззификатора, представленная в виде матроидра, показана на рис.3.

Рис. 2. Модель структуры первого решающего модуля нечеткой нейронной сети

Класс фона определяется линейной комбинацией RGB кодов пикселей, попавших в прямоугольное окно, центральным элементом которого является пиксель, RGB коды которого присутствуют на входах фуззификатора первого нечеткого решающего модуля.

Для получения функций принадлежности для фуззификаторов нечетких решающих модулей использовались гистограммы распределения интенсивности RGB в пикселях изображений выделенных классов сегментов и

экспертные оценки. Некоторые из полученных функций принадлежности, показаны на рис. 4.

Ук

Рис. 3. Структура фуззификатора первого нечеткого решающего модуля

Структура второго нечеткого решающего модуля аналогична структуре первого. В его задачу входит «настроить» функции принадлежности фуззификатора первого нечеткого решающего модуля на фоновую засветку в окрестности анализируемого пикселя, которая может меняться в зависимости от координат пикселей выделяемого патологического сегмента.

а) б)

Рис.4. Функции принадлежности для трех классов патологических сегментов и морфологических структур глазного дна для кода R (а) и кода G (б): цШ() - экссудат; - сосуды; цШ2 - зрительный нерв: ¿ = 0,1,2

Агрегаторы нечеткого решающего модуля нечеткой нейронной сети (рис.2) предназначены для выполнения преобразования значений функций принадлежности по RGB кодам для анализируемого пикселя в обобщенное

значение коэффициента уверенности КУ принадлежности пикселя к классу Q)t. Подбор нечетких операций в агрегаторах осуществляется на основе генетического алгоритма, который выполняет минимизацию количества ошибок классификации.

В процессе выполнения алгоритма ошибка рассчитывается для каждого пикселя и может принимать значение 1 или 0. Значение 1 обозначает, что при данной комбинации нечетких операций максимальный коэффициент уверенности КУШ1тгх достигается в классе, отличном от класса, которому

принадлежит пиксель. Значение 0 обозначает, что максимальный коэффициент уверенности достигается именно в том классе сегмента, к которому принадлежит анализируемый пиксель. Задача генетического алгоритма состоит в нахождении набора нечетких операций над функциями принадлежностей признаков, при котором сумма значений ошибки по всем пикселям изображений обучающей выборки с сегментами данного класса будет минимальной.

Для визуализации сегмента изображения, принадлежащего к искомой патологии, используется бинаризатор (рис.1). На вход бинаризатора подается вектор уверенности в принадлежности пикселя к сегментам классов {at}

Ky(cot). Принадлежность пикселя к сегменту класса со, определяется по максимальному значению компонента вектора уверенности. Если принимается решение, что пиксель принадлежит к селектируемому классу, то скалярная переменная z на выходе бинаризатора принимает значение логической единицы, если не принадлежит - то нуля. Решение о принадлежности пикселя к сегменту искомого класса принимается в том случае, если определенный дефуззификатором класс со, совпадает с селектируемым селектором классов классом со , то есть с тем классом, который соответствует искомому

патологическому сегменту, а изображение искомого сегмента синтезируется посредством модуляции яркости пикселей переменной г.

Схема программного обеспечения моделирования нечетких решающих модулей, представлена на рис. 5.

Исходные данные поступают из модуля сбора данных или моделируются посредством программного модуля 1. После генерации матрицы объект (пиксель)-признак (RGB код) модулем 1 синтезируются функции принадлежности соответствующих признаков, которые возможно откорректировать в интерактивном режиме (блок 2).

Процесс моделирования нечеткого решающего модуля начинается с синтеза функций принадлежности фуззификатора (блок 2 рис. 5). После синтеза фуззификатора осуществляется синтез агрегатора (блоки 3 и 4). Агрега-тор нечеткого решающего модуля (блок 4) настраивается согласно генетическому алгоритму (ветвь 3 блок 5). Геном для генетического алгоритма (множество нечетких операций) задается в блоке 3 (рис.5).

Рис. 5. Схема алгоритма моделирования нечеткого решающего модуля

Для окончательного выбора модели нечеткого решающего модуля необходима его настройка. Настройка нечетких модулей осуществляется путем минимизации целевой функции, заданной с использованием эвклидовой нормы, посредством изменения параметров функций принадлежностей и/или подбором нечетких операций в агрегаторе (блок 4).

Алгоритм обучения нечетких решающих модулей построен таким образом, что если ошибка велика и не может быть уменьшена посредством синтеза подходящего правила вывода генетическим алгоритмом, то есть по ветви 3, то по ветви 2 осуществляется переход к блоку 3, то есть к изменению набора нечетких операций агрегатора с последующей его перенастрой-

кой. Если и это не приводит к положительному эффекту, то осуществляет переход к модификации функций принадлежности фуззификатора, то есть к блоку 2 рис.5. Переходы по ветвям 1, 2 и 3 реализуются оператором CASE в блоке 6.

Для обучения нечетких модулей использовались распределения интен-сивностей RGB, полученные на различных изображениях глазного дна для четырех классов сегментов: сосуды, экссудаты, зрительный нерв, фон.

Экспериментальные исследования, проведенные при выделении этих сегментов, показали, что связь формы и координат функций принадлежности с классом фона повышает потенциальные возможности нечеткой нейронной сети при сегментации изображений глазного дна. Таким образом, предложенная модель сегментации в пространстве RGB кодов может быть включена в систему поддержки принятия решений медицинского назначения при анализе изображений глазного дна.

Глава 3 посвящена гибридным технологиям сегментации изображений глазного дна, основанным на двумерном анализе Фурье и нейросетевом моделировании при анализе полутоновых изображений глазного дна.

Для автоматизированного анализа изображений глазного дна предложено использовать двухэтапную фильтрацию в частотной области. Структурная схема предлагаемого способа обработки изображений глазного дна представлена на рис.6.

Полутоновое изображение глазного дна, представленное действительными отсчетами х(к,,к2) в кадре размером N¡N2, поступает на блок двумерного дискретного преобразования Фурье (ДДПФ), реализующий выражение вида

j лг,-1ЛГ2-1 2Я 2л

y(ni>ni) = 77тг X S x(K>k2)z4>{j—«А+j~»iki) ■ (3)

Пример таких преобразований изображений глазного дна показан на

рис.7.

Полутоновое изображение " глазного дна

ДДПФ Маска Маска

-> 1 2 *

ОДДПФ

Полутоновое изображение сегмента

Рис.6. Структурная схема сегментации изображения глазного дна в частотной области

Как следует из анализа изображений, полученных в результате ДДПФ, не все частоты являются информативными (выделены черным цветом на верхнем рисунке). Неинформативные частоты отсекаются с помощью маски 1. Для выделения непосредственно анализируемого сегмента служит маска

2, реализуемая нейронной сетью, построенной по принципу однослойного персептрона, обучаемой по алгоритму обратного распространения ошибки.

Сигнал ошибки ¡-го нейрона на итерации обучения п определяется соотношением

= (4)

где <Л, - значение отсчета г-го пикселя эталонного изображения сегмента, на выделение которого настраивается нейронная сеть; 2,(п) - значение ;-го отсчета обратного двумерного дискретного преобразования Фурье (отсчеты на выходе блока ОДЦПФ рис.6).

Рис.7. Изображения глазного дна (внизу) и их двумерные спектры Фурье в логарифмическом масштабе (вверху)

После фильтрации двумерного спектра изображения масками 1 и 2, осуществляется визуализация искомого сегмента посредством обратного дискретного преобразования Фурье (ОДПФ).

Исследования изображений глазного дна показали, что основным препятствием, не позволяющим использовать для сегментации изображений глазного дна стандартные процедуры выделения границ сегментов, является то, что морфологически однородные фрагменты одного и того же сегмента на изображении имеют различные динамические диапазоны RGB - кодов. Учитывая это обстоятельство, в работе предложен способ получения эталонных сегментов, необходимых для формирования обучающей выборки, предназначенной для настройки нейронной сети (маска 2 на структурной схеме рис.6). На первом этапе изображение глазного дна разбивается на сегменты прямоугольной формы с однородным динамическим диапазоном RGB - кодов - этап «расчленения» изображения. На втором этапе для каждого из выделенных прямоугольных сегментов подбирается используя метод амплитудного квантования мод подбирается такой динамических диапазон изображения, который является наилучшим, по мнению эксперта, для выделяемого патологического сегмента или морфологической структуры в данном прямоугольном сегменте.

В качестве примера на рис.8 показано интерфейсное окно, позволяющее выполнить такую процедуру.

Обратная связь в процедуре выделения фрагмента патологического сегмента осуществляется через зрительный анализатор человека. Управляя динамическим диапазоном посредством левого окна интерфейса, оператор контролирует качество выделения заданного класса патологического сегмента в правом окне интерфейса.

Рис.8. Интерфейсное окно для получения бинарного изображения сосудов глазного дна в выделенном прямоугольном секторе с однородной освещенностью

После такой обработки каждого из прямоугольных сегментов изображения переходят к операции «склейки», в результате которой получают эталонное полутоновое изображение патологического сегмента или морфологической структуры изображения глазного дна в формате исходного изображения. На заключительном этапе «склеенное» изображение, в случае необходимости, может быть бинаризировано посредством методов пороговой обработки.

Таким образом, предложена модель интеллектуальной системы выделения патологических образований и морфологических структур на изображении глазного дна в частотной области, основанная на использовании гибридных технологий обработки информации и реализующая последовательные процедуры двумерного дискретного преобразования Фурье, фильтрации в частотной области, нелинейной фильтрации посредством нейронной сети и обратного двумерного дискретного преобразования Фурье, которую целесообразно включить в автоматизированную систему анализа черно-белых изображения глазного дна.

В четвертой главе разработана автоматизированная система сегментации изображений глазного дна, 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, а также проводятся экспериментальные исследования предложенных способов, моделей и алгоритмов анализа изображений глазного дна.

Характерной особенностью структуры системы является наличие трех баз данных: базы данных пациентов, базы данных моделей эталонов и базы данных сегментов и морфологических структур изображения глазного дна. База данных пациентов связана с базой данных регистратуры и с компьютером, к которому подключены ретинофот и телекамера. База данных моделей эталонов предназначена для разработки методов и алгоритмов выделения и анализа патологических сегментов и в нее входят имитационные модели изображений морфологических структур глазного дна.

Для организации связи между программными модулями системы и базами данных служит файл-буфер. Обрабатываемое изображение поступает в файл-буфер и становится доступным для обработки всеми программными модулями системы.

Программное обеспечение автоматизированной системы включает три модуля. Первый программный модуль интегрирует все возможности обработки изображений, представленные в пакете Matlab 7, 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 - кодов, моды, амплитуды моды, площади изображения. Этот программный модуль не имеет собственной интерактивной среды и выбрать его функции можно посредством горизонтального меню изображения, хранящегося в файл-буфере.

Третий модуль программного обеспечения включает гибридные и нечеткие нейросетевые технологии, предназначенные для выделения на изображении глазного дна патологических образований и морфологических структур, разработанные во второй и третьей главах диссертации.

Для оценки эффективности работы предложенных способов и моделей выделения патологических образований и морфологических структур на изображении глазного дна были построены характеристики выделения для экссудатов, миелиновых волокон, хориоретинитов, сосудов и зрительного нерва. В качестве критерия эффективности сегментации использовались характеристики выделения, позволяющие сравнить эффективности разработанных способов сегментации. В качестве базовых способов сегментации использовались способ выращивания областей и способ разделения и слияния областей, которые были реализованы в среде Matlab 7 в базовом пакете Image Processing Toolbox, используя базовые процедуры пакета regiongrow и процедуру разложения по квадродереву qtdecomp. Для сравнения с разрабо-

танными способами брался лучший результат, полученный при использовании этих двух способов.

Для оценки эффективности выделения по характеристикам выделения при одной и той же частоте ложного выделения пикселей Р/с1, определялись частоты правильного выделения Р1с{ для различных способов сегментации.

Частота правильного выделения пикселей, принадлежащих к патологическим образованиям или морфологическим структурам со, для 1-го тестового изображения определялась как

' ж? v'

где ¡с!®' - число пикселей, правильно включенных в сегмент класса со, ¡-го тестового изображения, ЛИ"' - число пикселей, содержащихся в сегменте класса со, ¡-го тестового изображения.

Частота ложного выделения пикселей, принадлежащих к патологическим образованиям или морфологическим структурам со, для 1-го тестового изображения определялась как

№ = -

(6)

где - число пикселей, включенных в сегмент класса со, ¡-го тестового изображения, но не принадлежащих искомому сегменту, - число пикселей, содержащихся в ¡-м тестовом изображении.

Пример некоторых из полученных характеристик выделения представлен на рис.9.

Ptd°"{Pfd°")

(I (12 0.03 0.04

Рис. 9. Характеристики выделения экссудатов: 1 - нечеткой нейронной сетью с анализом RGB - кодов изображения; 2 - гибридной системой с нейронной сетью и двумерным спектральным анализом полутоновых изображений; 3 - алгоритмом, построенном на основе способа разделения и слияния областей пакета Image Processing Toolbox

Для отнесения пикселя к сегменту или фону использовался известный алгоритм выделения, основанный на разделения и слияния областей, реализованный в пакета Image Processing Toolbox среды Matlab 7 и два предлагаемых способа, один из которых использовался для работы с цветным изображением, а другой с полутоновым.

Анализ характеристик выделения исследованных патологических сегментов и морфологических структур изображения глазного дна показал, что гибридные способы сегментации позволяют повысить эффективность сегментации более чем в 1,5 раза по сравнению с известными на одних и тех же контрольных выборках.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований предложены новые программно-технические решения, реализующие модели гибридных информационных технологий, предназначенные для автоматизированной обработай и анализа цветных и черно-белых изображений патологических образований глазного дна.

В результате выполнения работы получены следующие основные результаты.

1. Разработана нечеткая нейронная сеть, позволяющая выделять сегменты изображения глазного дна, содержащие патологические образования, включающая два нечетких решающих модуля, один из которых анализирует RGB- коды изображения, а другой нечеткий решающий модуль предназначен для нечеткой коррекции структуры фуззификатора первого нечеткого решающего модуля на основе анализа фона исследуемого пикселя.

2. Разработана структура бинаризатора нечеткой нейронной сети, выполняющего функцию третьего слоя и предназначенного для получения бинарного изображения патологического сегмента изображения глазного дна.

3. Разработан гибридный способ сегментации, основанный на двумерном дискретном преобразовании Фурье изображений глазного дна и фильтрации спектральных коэффициентов, позволяющий выделить патологические сегменты на изображении глазного дна путем настройки нейронной сети по двумерным спектрам изображений эталонных сегментов, полученных в интерактивном режиме.

4. Разработан способ получения эталонных изображений патологических сегментов и морфологических структур изображения глазного дна, включающий процедуру расчленения изображения на прямоугольные сегменты, интерактивную коррекцию контрастности в каждом из сегментов, адаптируемую под выделяемую патологию, и процедуру «склеивания» прямоугольных сегментов с модифицированной контрастностью в изображение исходного размера кадра.

5. Разработана автоматизированная система для анализа изображений глазного дна, включающая три базы данных, программные модули, выпол-

няющие стандартные и уникальные операции обработки изображений, нечеткую нейронную сеть, модули моделирования эталонных изображений сегментов и модули двумерного дискретного спектрального анализа.

6. Проанализирована эффективность разработанных способов, решающих правил, алгоритмов и программных средств выделения патологических сегментов и морфологических структур изображения глазного дна в клинических условиях, показана целесообразность их применения в медицинской практике.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ

1. Пихлап, C.B. Использование метода адаптивного квантования мод при исследовании вейвлет-изображений электрокардиосигналов больных ишемической болезнью сердца [Текст] / C.B. Пихлап, A.A. Грахов, A.A. Кузьмин, С.А. Филист// Известия ЮФУ. Технические пауки. Тематический выпуск. «Медицинские информационные системы» / Таганрог, 2008. №5(82). С.76-79.

2. Пихлап, C.B. Иерархические нечеткие нейронные сети в дифференциальной диагностике сердечно-сосудистых заболеваний [Текст]/ C.B. Пихлап, A.A. Грахов, С.А. Филист //Вестник Воронежского государственного технического университета. Воронеж, 2008. Т.4. №8. С.129-131.

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

Статьи и материалы конференций

4. Пихлап, C.B. Способ анализа оконных преобразований Фурье электрокардиограмм больных ишемической болезнью [Текст] / C.B. Пихлап, A.A. Грахов, С.А. Филист // Информационные и управленческие технологии в медицине: сб. статей II Всероссийской научно-технической конференции / Пенза. Приволжский Дом знаний, 2008. С.19-21.

5. Пихлап, C.B. Интерактивная среда для обработки и анализа изображений глазного дна [Текст] / C.B. Пихлап, P.A. Томакова. С.А. Филист/ «Прикладная радиоэлектроника. Состояние и перспективы развития» (МРФ-2008): сб. трудов Третьего Международного радиоэлектронного Форума/Харьков, 2008. С.75-78.

6. Пихлап, C.B. Сравнительный анализ частотно-временного представления биомедицинских сигналов [Текст] / C.B. Пихлап, С.А. Филист// XI Международная научно-техническая конференция «Медико-экологические информационные технологии-2008» / Курск, гос. техн. ун-т. Курск, 2008. С.84-87.

7. Пихлап, C.B. Автоматизированная система анализа сосудистой патологии глазного дна [Текст] / C.B. Пихлап, P.A. Томакова. С.А. Филист /Лазерно-информационные технологии в медицине, биологии и геоэкологии-2008. Труды XVI Международной конференции. Новороссийск. 2008. С.43-44.

8. Пихлап, C.B. Спектральный анализ изображений глазного дна в автоматизированной системе диагностики сосудистых патологий [Текст] / C.B. Пихлап, P.A. Томакова. С.А. Филист/ Искусственный интеллект в XXI веке. Решения в условиях неопределенности: сб. статей VI Всероссийской научно-технической конференции / Пенза. Приволжский Дом знаний, 2008. С.46-48.

9. Pihlap, S.V. Adaptation and parallel implementation of Art-1 Neural network for recognition of color images [Text] / S.V. Pihlap, D.E. Skopin, O.V. Shatalova// XI Международная научно-техническая конференция «Медико-экологические информационные технологии-2008» / Курск, гос. техн. ун-т. Курск, 2008. С.84-87.

10. Пихлап, C.B. Гибридная нейронная сеть для сегментации изображений глазного дна с интерактивным синтезом эталонов [Текст] / C.B. Пихлап, И.А. Ключиков, P.A. Томакова / Информационно-измерительные диагностические и управляющие системы. «Диагностика - 2009»: сб. материалов Междунар. научно-техн. конф. 4.2/ Курск, гос. техн. ун-т. Курск, 2009. С.141-144.

11. Пихлап, С.В Способ получения функций принадлежности, предназначенных для нечеткой сегментации изображений глазного дна по RGB-кодам [Текст] / C.B. Пихлап, И.А. Ключиков, P.A. Томакова // Информационные и управленческие технологии в медицине и экологии: сб. статей III Всероссийской научно-технической конференции / Пенза. Приволжский Дом знаний, 2009. С.96-98.

12. Пихлап, C.B. Способ количественной оценки патологических отклонений на изображении глазного дна [Текст] / C.B. Пихлап // XII Международная научно-техническая конференция «Медико-экологические информационные технологии-2009» / Курск, гос. техн. ун-т. Курск, 2009. С.215-218.

13. Пихлап, C.B. Способ настройки нейронной сети в гибридной системе идентификации объектов на изображении [Текст] / C.B. Пихлап, И.А. Ключиков, P.A. Томакова// XII Международная научно-техническая конференция «Медико-экологические информационные технологии-2009» / Курск, гос. техн. ун-т. Курск, 2009. С.176-178.

ИД №06430 от 10.12.01 г. Подписано в печать 19 мая 2009. Формат 60x84 1/16

_Печатных листов 1,0. Тираж 100 экз. Заказ 740._

Курский государственный технический университет. Издательско-полиграфический центр Курского государственного -технического университета. 305040, г. Курск, ул. 50 лет Октября, 94

Отпечатано: ПБОЮЛ Киселева О.В. (ОГРН 304463202600213)

ВВЕДЕНИЕ.

ГЛАВА 1. СОВРЕМЕННЫЕ МЕТОДЫ СИНТЕЗА ИНТЕЛЛЕКТУ АОЬНЫХ ДИАГНОСТИЧЕСКИХ СИСТЕМ, АНАЛИЗИРУЮЩИХ СТРУКТУРУ ИЗОБРАЖЕНИЙ ГЛАЗНОГО ДНА.

1.1. особенности изображений глазного дна, получаемых-посредством методики электронного фотографирования глазного дна с помощью ретинофота.

1.2. Способы синтеза информативных признаков, предназначенных для анализа структуры изображения глазного дна.

1.3. Способы диагностики зрительных патологий.

1.4. Программно-аппаратные комплексы, для реализации алгоритмов обработки изображений глазного дна.

1.5. Новые информационные технологии для классификации объектов и принятия решений.

1.6. Цели и задачи исследования.

ГЛАВА 2. РАЗРАБОТКА И ИССЛЕДОВАНИЯ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ВЫДЕЛЕНИЯ ПАТОЛОГИЧЕСКИХ АНОМАЛИЙ ГЛАЗНОГО ДНА.

2.1. Нечеткая нейронная сеть для выделения сегментов с патологическими образованиями и морфологическими структурами на изображении глазного дна.

2.2. Структура нечеткого решающего модуля нечеткой нейронной сети.

2.2.1. Фуззификатор.

2.2.2. Агрегатор.

2.2.3. Программное обеспечение моделирования нечеткого решающего модуля.

2.3. Бинаризатор нечеткой нейронной сети.

2.4. Эксперименты по синтезу патологических сегментов посредством нечетких нейросетевых моделей.

2.5. Выводы второй главы.

ГЛАВА 3. ГИБРИДНЫЕ ТЕХНОЛОГИИ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ ГЛАЗНОГО ДНА, ОСНОВАННЫЕ НА ДВУМЕРНОМ АНАЛИЗЕ ФУРЬЕ И НЕЙРОСЕТЕВОМ МОДЕЛИРОВАНИИ.

3.1. Способ для сегментации изображений глазного дна в частотной области с использованием нейросетевых технологий.

3.2. Разработка алгоритма обучения гибридной структуры для сегментации изображений глазного дна.

3.3. Алгоритмические решения при синтезе пространства информативных признаков для описания патологических аномалий и морфологических структур изображения глазного дна со зрительным нервом.

3.4. Выводы третьей главы.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ ГЛАЗНОГО ДНА.

4.1. Структура автоматизированной системы анализа изображений глазного дна и алгоритм ее работы.

4.2. Разработка способов оценки эффективности алгоритмов выделения патологических сегментов на изображении глазного дна

4.3. Экспериментальные исследования качества сегментации изображения глазного дна при различных видах патологий.

4.4. Выводы четвертой главы.

Актуальность работы. Заболевания сетчатки в соответствии с современными эпидемиологическими данными занимают одно из первых мест в мире как причина слабовидения и слепоты. Поражения глазного дна часто имеют место при гипертонической болезни, особенно тромбоз вен сетчатки.

Диагностика патологий глазного дна считается сложной задачей (Сойфер В.А., Ильясова Н.Ю.). Во врачебной практике наличие патологических аномалий на изображении глазного дна определяется в основном визуальным способом. Врач-офтальмолог должен обладать обширным опытом, чтобы определить, с какой патологической аномалией имеет дело и следствием какого заболевания она является. Современные компьютерные технологии позволяют автоматизировать процесс обнаружения и построения количественных оценок элементов патоморфологической картины глазного дна, используемых в формировании экспертной оценки патологий сетчатки. Для этого осуществляется объектная сегментация изображения глазного дна, суть которой состоит в оконтуривании границ объектов и разметки образовавшихся сегментов (областей) на основе выбранных признаков объектов.

Цвет (окраска) является одним из наиболее информативных признаков в задаче выделения патологических образований и морфологических структур на изображении глазного дна. В связи с этим решение указанной задачи базируется на построении цветовых гистограмм изображения, нахождении некоторого "среднего" цветового вектора для каждого максимума гистограммы, вычислении евклидовых расстояний между точками цветового пространства и средним значением, отнесении к одному сегменту точек, находящихся от среднего на расстоянии ниже порогового (Gonzalez R., Woods R.). Результаты сегментации при таком подходе часто оказываются неудовлетворительными из-за влияния неравномерности мощности и цветности освещения в пространстве сцены, а также зависимости отражательных свойств поверхности от угла наблюдения. В таких условиях в получаемых изображениях появляются дополнительные границы, связанные с затенениями, бликами, тенями, рёбрами, никак не связанные с цветовыми характеристиками объектов в сцене. В итоге при сегментации изображения объект дробится на более мелкие области, что приводит к ошибкам в оценках патологий сетчатки. Эта особенность механизмов формирования изображения делает задачу сегментации трудно разрешимой при отсутствии априорных знаний о характере освещения и отражения объектов. В этом случае целесообразно использовать гибридные системы сегментации, реализованные на основе разнородных информационных технологий (Ярушина Н.Г.).

При разработке методов и ' средств сегментации и анализа изображений часто применяется двумерный анализ Фурье. Однако его использование при объектной сегментации изображений глазного дна затруднено тем, что анализируемые изображения не имеют ярко выраженных пространственных частот. Поэтому для решения рассматриваемой задачи представляется целесообразным создание автоматизированных систем, использующих априорные знания в виде результатов предыдущего опыта и текущего обучения.

В связи с вышеизложенным, разработка систем интеллектуальной поддержки анализа изображений глазного дна на основе гибридных технологий управления сегментацией в пространствах RGB кодов и их спектров для поддержки принятия решений в условиях нечетко выраженных границ сегментов является актуальной задачей.

Работа выполнена в рамках Федеральной целевой программы «Предупреждение и борьба с социально значимыми заболеваниями (20072011 годы)», подпрограмма «Артериальная гипертония» и в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий».

Цель работы. Повышение эффективности выделения патологических образований и морфологических структур на изображении глазного дна посредством нечетких нейросетевых моделей, осуществляющих нечеткий анализ изображений глазного дна в пространстве RGB кодов пикселей и в пространстве частот.

Для достижения поставленной цели необходимо решить следующие задачи: разработать нечеткую нейронную сеть для выделения патологических образований и морфологических структур изображений глазного дна;

- разработать структуру выходного слоя нечеткой нейронной сети, предназначенного для синтеза бинарного изображения патологического образования или морфологической структуры;

- разработать гибридный способ выделения пикселей изображения глазного дна, принадлежащих к заданному классу патологического образования или морфологической структуры, объединяющий двумерный спектральный анализ изображения и нейросетевые технологии;

- разработать автоматизированную систему анализа изображений, основанную на гибридных технологиях обработки данных и предназначенную для врача-офтальмолога, включающую алгоритмы сегментации изображений глазного дна и алгоритмы обучения нечетких нейросетевых структур;

- провести апробацию предложенных способов и алгоритмов на репрезентативных контрольных выборках.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, двумерного спектрального анализа, математической статистики, теории нечетких нейронных сетей, распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался Matlab 6.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox. При разработки модуля спектрального анализа изображений использовался Matlab 7.0.1 с пакетом Image Processing Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной: структура нечеткой нейронной сети, позволяющей выделять пиксели изображения глазного дна, относящиеся к заданным патологическим образованием или морфологическим структурам, включающая два нечетких решающих модуля, первый из которых предназначен для нечеткого анализа RGB - кодов изображения, отличающаяся тем, что второй нечеткий решающий модуль осуществляет нечеткую коррекцию структуры фуззификатора первого нечеткого решающего модуля; структура бинаризатора нечеткой нейронной сети, выполняющего функцию третьего слоя и предназначенного для получения бинарного изображения патологических образований на изображении глазного дна, отличающаяся тем, что анализируемый пиксель включается в искомый сегмент только в том случае, если срабатывает двухвходовая схема совпадения, один вход которой соответствует анализируемому классу, а другой — классу патологического образования с наибольшей уверенностью, полученной по RGB - кодам пикселя; гибридная технология сегментации изображения глазного дна, отличающаяся последовательными процедурами обработки полутонового изображения, включающими двумерное дискретное преобразование Фурье, фильтрацию на основе двумерной свертки, фильтрацию на основе однослойной нейронной сети и обратное двумерное дискретное преобразование Фурье; способ обучения нейронной сети, входящей в гибридную систему сегментации изображений глазного дна, отличающийся тем, что коэффициенты нейронной сети настраиваются по текущему значению ошибки, которая определяется как разность между двумерным спектром эталонного изображения патологической структуры и изображением, полученным на выходе нейронной сети, на вход которой подается двумерный спектр анализируемого изображения.

Практическая значимость и результаты внедрения. Разработанные способы, модели и алгоритмы составили основу построения автоматизированной системы анализа изображений глазного дна, практические испытания которой показали высокое качество выделения патологических структур изображения глазного дна, повышающее диагностическую эффективность анализа.

Программные средства ориентированы на практическое здравоохранение и реализуют алгоритмы диагностики, способствующие ускорению процессов реабилитации больных с артериальной гипертензией.

Результаты работ внедрены в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 200300.68 — «Биомедицинская инженерия» и используются в клинической практике больницы скорой медицинской помощи №1 г. Курска.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XI и XII Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2008, 2009); II и III Всероссийских научно-технических конференциях «Информационные и управленческие технологии в медицине и экологии» (Пенза, 2008, 2009); на XVI Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2008), на Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2008» (Таганрог, 2008), Третьем Международном радиоэлектронном Форуме «Прикладная радиоэлектроника. Состояние и перспективы развития» (Харьков, 2008); на VI Всероссийской научно-технической конференции «Искусственный интеллект в XXI веке. Решения в условиях неопределенности» (Пенза, 2008); на I Международной научно-технической конференции «Диагностика -2009» (Курск, 2009), на научно-технических семинарах кафедры биомедицинской инженерии КурскГТУ (Курск, 2007, 2008, 2009).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 13 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] и [5] автор предложил способы и средства синтеза изображений биомедицинских сигналов; в [2], [3] и [11] соискателем предложена структура нечеткого нейросетевого решающего модуля и алгоритм его обучения, предназначенного для сегментации изображений глазного дна; в [4], [6] и [8] автор анализирует и предлагает способы спектральной обработки биомедицинских сигналов и изображений; в [7] автором предложена структура автоматизированной системы для обработки и анализа изображений глазного дна; в [9, 10] и [13] соискатель предложил гибридные информационные технологии сегментации изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 110 отечественных и 37 зарубежных наименования. Работа изложена на 134 страницах машинописного текста, содержит 64 рисунка и 1 таблицу.

4.4. Выводы четвертой главы

1. Разработана автоматизированная система анализа изображений глазного дна, которая обеспечивает поддержку принятия решений при диагностики офтальмологических и сопутствующих патологий. Функциональные возможности системы кроме сегментации цветных и черно-белых изображений глазного дна: ввод и предварительная обработка изображений глазного дна, автоматическая или полуавтоматическая трассировка сегментов сосудов, количественная оценка диагностических параметров микроциркуляторного русла, построение функции изменения диаметра сосуда вдоль выделенного участка, определение углов разветвлений, автоматическое введение базы данных по пациентам, изображениям и измерениям, локальные методы обработки, спектральные методы обработки изображения в целом или его выделенных фрагментов.

2. Предложены алгоритмы работы автоматизированной системы анализа изображений глазного дна, позволяющие сегментировать цветные и черно-белые ангиограммы глазного дна и настраивать решающие модули на идентификацию определенных классов патологических структур на изображении, отличающиеся многоступенчатой иерархической настройкой нечетких решающих модулей и нейронных сетей, а также блоками двумерной линейной и нелинейной фильтрации.

3. Сформированы базы данных цветных и черно-белых изображений глазного дна, а также базы данных эталонных патологических сегментов для ряда классов патологических образований и морфологических структур изображений глазного дна. Произведен набор экспертных диагностических эталонов для сосудистых патологий глазного дна и сформирована база данных изображений глазного дна с патологиями и без таковых.

4. Разработаны способы синтеза черно-белых эталонов патологических сегментов и морфологических структур изображения глазного дна, основанные на «размытии» бинарного изображения модели эталона патологического сегмента посредством оконной обработки в спектральной области.

5. Предложен способ оценки эффективности сегментации, заключающийся в определении характеристик выделения различных патологических образований и морфологических структур изображений глазного дна для различных способов сегментации и сопоставления ошибок первого рода при фиксированном числе ошибок второго рода и получена сравнительная оценка эффективности сегментации для различных методов.

6. Проведены экспериментальные исследования моделей сегментации изображений глазного дна, получены характеристики выделения для ряда классов патологических образований и морфологических структур изображения глазного дна, приведена сравнительная оценка эффективности предложенных и известных способов сегментации.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований предложены новые программно-технические решения, реализующие модели гибридных информационных технологий, предназначенные для автоматизированной обработки и анализа цветных и черно-белых изображений патологических образований глазного дна.

В результате выполнения работы получены следующие основные результаты.

1. Разработана нечеткая нейронная сеть, позволяющая выделять сегменты изображения глазного дна, содержащие патологические образования, включающая два нечетких решающих модуля, один из которых анализирует RGB- коды изображения, а другой нечеткий решающий модуль предназначен для нечеткой коррекции структуры фуззификатора первого нечеткого решающего модуля на основе анализа фона исследуемого пикселя.

2. Разработана структура бинаризатора нечеткой нейронной сети, выполняющего функцию третьего слоя и предназначенного для получения бинарного изображения патологического сегмента изображения глазного дна.

3. Разработан гибридный способ сегментации, основанный на двумерном дискретном преобразовании Фурье изображений глазного дна и фильтрации спектральных коэффициентов, позволяющий выделить патологические сегменты на изображении глазного дна путем настройки нейронной сети по двумерным спектрам изображений эталонных сегментов, полученных в интерактивном режиме.

4. Разработан способ получения эталонных изображений патологических сегментов и морфологических структур изображения глазного дна, включающий процедуру расчленения изображения на прямоугольные сегменты, интерактивную коррекцию контрастности в каждом из сегментов, адаптируемую под выделяемую патологию, и процедуру «склеивания» прямоугольных сегментов с модифицированной контрастностью в изображение исходного размера кадра.

5. Разработана автоматизированная система для анализа изображений глазного дна, включающая три базы данных, программные модули, выполняющие стандартные и уникальные операции обработки изображений, нечеткую нейронную сеть, модули моделирования эталонных изображений сегментов и модули двумерного дискретного спектрального анализа.

6. Проанализирована эффективность разработанных способов, решающих правил, алгоритмов и программных средств выделения патологических сегментов и морфологических структур изображения глазного дна в клинических условиях, показана целесообразность их применения в медицинской практике.

1. Айвазян, С. А., Классификация многомерных наблюдений / С.А. Айвазян, З.И. Бежаева, О.В. Староверов. -М. Статистика, 1975.

2. Александров, В.В. Представление и обработка изображений. Рекурсивный подход: / В.В. Александров Л: Наука. - 1985. - 192 с.

3. Аппаратная и программная поддержка системы обработки и анализа изображений "BIOSCAN-AT" / Б.В. Налибоцкий, A.M. Недзьведь, А.Я. Рубенчик и др. // Тез. докл. науч.-техн. конф. по компьютерной графике и анимации. Минск, 1993. — С. 65-68.

4. Аронов, Д. М. Руководство по кардиологии/ Д. М. Аронов; под ред. Е. И. Чазова. М., 1982. - С. 594-600.

5. Аронов, Д.М. Функциональные пробы в кардиологии / Д.М. Аронов, В.П. Лупанов. 2-е изд М.: МЕДпресс-информ, 2003 -С. 148-156.

6. Афифи, А., Эйзен, С. Статистический анализ / А. Афифи, С. Эйзен. М.: Мир, 1972.

7. Белявцев, В.Г. Алгоритмы фильтрации изображений с адаптацией размеров апертуры //Автометрия. 1998. - № 3. — С. 18 - 25.

8. Бранчевский, С.Л. Система цифрового анализа для диагностики сосудистой патологии глазного дна // Вестник офтальмологии, 2003. №5. -С.37-40

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

10. Генкин, А.А. Новая информационная технология обработки данных (программный комплекс ОМИС) / А. А. Генкин. — СПб.: Политехника, 1999.- 191 с.

11. Гимаров, В.А. Нейро нечеткий метод классификации объектов с разнотипными признаками // Системы управления и информационные технологии. 2004- №4 (16).-С. 13-18.

12. Голд, Б. Цифровая обработка сигналов / Б. Голд, Ч. Рэйдер. М.: Сов. радио, 1973. -368 с.

13. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс . Техносфера. 2004. — 1072 с.

14. Гонсалес, Р. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р. Вудс С. Эддинс. — М.: Техносфера. 2006. 616 с.

15. Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань- М.: СП Параграф, 1990.

16. Горбань, А.Н. Нейронные сети на персональном компьютере/

17. A. Н. Горбань, ДА. Россиев Новосибирск: Наука. Сибирск. издательская фирма РАН, 1996. - 276 с.

18. Горелик, A.JI. Методы распознавания / A.JI. Горелик,

19. B.А. Скрипкин. М.: Высшая школа. 2004. — 261 с.

20. Грахов, А.А. Система поддержки принятия решений для врача-терапевта на основе нечетких сетевых моделей/ А.А. Грахов, JI.A. Жилинкова, Е.В. Шевелева//Вестник новых медицинских технологий. Тула, 2006. T.XIII, №2. - С. 43^6.

21. Губанов, В.В. Основы проектирования автоматизированных систем анализа медико-биологических сигналов / В.В. Губанов, JI.B. Ракитская, С.А. Филист / ГУИПП «Курск». Курск, 1997. 134 с.

22. Густов А.В., Практическая нейроофтальмология // А.В. Густов, К.И. Сигрианский, Ж.П. Столярова. -Нижний Новгород: Изд-во НГМА, 2000. 264 с.

23. Даджион, Д. Цифровая обработка многомерных сигналов/ под ред. Л.П.Ярославского. М.: Мир. - 1988. - 488 с.

24. Дубров, A.M. Многомерные статистические методы : учебник / A.M. Дубров, B.C. Мхитрян, Л.И. Трошин. М.: Финансы и статистика, 2000.-352 с.

25. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, Р. Харт. -М.: Мир, 1976.

26. Дьяконов, В. Обработка сигналов и изображений: специальный справочник / В. Дьяконов, И. Абраменкова. СПб.: Питер, 2002. - 608 с.

27. Дюк, В. Обработка данных на ПК в примерах/ В. Дюк. СПб: Питер, 1997.-240 с.

28. Елисеева, И.И. Логика прикладного статистического анализа / И.И. Елисеева, В.О. Рукавишников. М.: Финансы и статистика, 1982192 с.

29. Жирков, В. Ф. Исследование параметрической эффективности при идентификации объекта по изображению/ В. Ф. Жирков, К. В. Новиков, Л. Т. Сушкова// Биомедицинская радиоэлектроника, 2008. №6. - С.31—37.

30. Заде, А. Основы нового подхода к анализу сложных систем и процессов принятия решений Математика сегодня. М., 1974.

31. Заде, Л.А. Понятие лингвистической переменной и ее применение к принятию приближенных решений / Л.А. Заде. — М.: Мир, 1976.- 312 с.

32. Заенцев, И.В. Нейронные сети: основные модели: учебное пособие по курсу «Нейронные сети» для студентов 5 курса магистратуры физического ф-та Воронежского государственного университета / И.В. Заенцев. Воронеж, 1999. - 76 с.

33. Закс, Л. Статистическое оценивание / Закс Л. — М. Статистика,1976.

34. Захаров В.Н. Современная информационная технология в системах управления // Изв. АН Теория и системы управления,2000. №1. -С. 70-78.

35. Заявка 98119367 Российская Федерация. Способ диагностики патологии зрительного нерва / Федоров С.Н.; — заявитель Межотраслевой научно-технический комплекс "Микрохирургия глаза" — № 98119367/14; заявл. 27.10.98; опубл. 10.08.99.

36. Заявка 2003106128 Российская Федерация. Способ диагностикисосудистой патологии глазного дна/ Ильясова Н. Ю., Бранчевский С. JI. -№ 2003106128/14; заявл. 05.03.03; опубл. 27.08.04.

37. Заявка 2003106472 Российская Федерация. Способ диагностики нарушений микроциркуляции по сосудам глазного дна / Тутаева Е. С.; заявитель Тульский государственный университет № 2003106472/14; заявл. 12.03.03; опубл. 20.09.04.

38. Ильясова, Н. Ю., Устинов, А. В., Баранов, В.Г. Экспертная компьютерная система диагностики глазных заболеваний по изображениям глазного дна / Н.Ю. Ильясова, А.В. Устинов, В.Г. Баранов // Компьютерная оптика, 1999. -№19. С. 202-209.

39. Кацнельсон, JI.A. Клинические формы диабетической ретинопатии/ JI.A. Кацнельсон // Вестник офтальмологии, 1989. № 5. — С. 43^7.

40. Кацнельсон, JI.A. Сосудистые заболевания глаз / JI.A. Кацнельсон, Т.И. Форофонова, А.Я.Бунин. М.: Медицинна, 1990. -С. 43-82.

41. Коломоец, Н.М. Гипертоническая болезнь и ишемическая болезнь сердца: Руководство для врачей, обучающих пациентов в школе больных гипертонической болезнью и ишемической болезнью сердца / Н.М. Коломоец, В.И. Бакшеев. М.: Медицина, 2003. - 336 с.

42. Кореневский, Н.А. Автоматизированные медико — технологические системы / монография. В 3 ч. / Н.А. Кореневский, А.Г. Устинов, В.А. Ситарчук; под ред. А.Г. Устинова. — Курск, гос. техн. ун-т. Курск, 1995.-390 с.

43. Королюк, И.П. Системы компьютерной обработкимедицинских диагностических изображений/ Труды научной конференции в рамках 7-й Международной выставки «Samara MedExpo 2002» Самара, 2002.-С. 41.

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

45. Леоненков, А.В. Нечеткое моделирование в среде Matlab и fuzzyTECH / А.В. Леоненков. СПб.: БХВ - Петербург, 2005. - 736 с.

46. Малыше, Н.Г. Нечеткие модели для экспертных систем в САПР. / Н.Г. Малыше, П.С. Берштейн, А.В. Боненюк — М.: Энергоатомиздат, 1991. 136 с.

47. Марпл.-мл., С.Л. Цифровой спектральный анализ и его приложения / С.Л. Марпл.-мл-М.: Мир, 1990. -584 с.

48. Медик, В.А. Медицинская статистика в медицине: учеб. пособие/В.А. Медик, М.С. Токмачев.- М.: Финансы и статистика, 2007. 800с.

49. Мелихов, А.Н. Ситуационные советующие системы с нечеткой логикой/ А.Н. Мелихов, Л.С. Бернштейн, С .Я. Коровин М.: Наука, 1990. -272 с.

50. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. М.: Физматлит, 2001.-784 с.

51. Модуль нечеткого вывода для разнотипных признаковых пространств/ А.В. Брежнев, А.А. Бурмака // Научно-технический сборник/ ВУ РХБЗ Москва, 2005. №2 (37). - С. 64-67.

52. Недзьведь, A.M. Полутоновое утоныиение цветного изображения // Цифровая обработка изображений. — Минск: Институт технической кибернетики НАН Беларуси. 1998 - Вып. 2 — С. 41—52.

53. Недзьведь, A.M. Сегментация изображений волокон и сосудов при большом увеличении // Цифровая обработка изображений. Минск: Институт технической кибернетики НАН Беларуси. - 1999.- Вып. 3. - С. 167-176.

54. Недзьведь, A.M. Утоныпение полутоновых изображений путем-последовательного анализа бинарных слоёв // Цифровая обработка изображений. Минск: Институт технической кибернетики АНБ 1997 — Вып.1. — С. 137-147.

55. Нейрокомпьютеры в системах обработки изображений / А.Н. Балухто, В.И. Булаев и др.. -М.: Радиотехника, 2003. — 192 с.

56. Немирко, А.П. Цифровая обработка биологических сигналов / А.П.Немирко- М: Наука, 1984.

57. Нечеткие множества в моделях управления и искусственного интеллекта/Под ред. Д.А. Поспелова. М.: Наука, 1986. - 312 с.

58. Никитин, О.Р. Исследование возможности оконтуривания для автоматизации диагностирования патологий на медицинских изображениях/ О.Р. Никитин, А.С. Пасечник // Биомедицинская радиоэлектроника, 2008. №6. - С. 25-30.

59. Орлов, А.И. Экспертные оценки :учебное пособие / А.И. Орлов.-М. 2002.

60. Осовский, С. Нейронные сети для обработки информации/ С. Осовский — М.: Финансы и статистика, 2002. 344 с.

61. Павлидис, Т. Алгоритмы машинной графики и обработки изображений. / Павлидис Т. /- М.: Радио и связь. 1986. — 400 с.

62. Пихлап, С.В. Интерактивная среда для обработки и анализа изображений глазного дна / С.В. Пихлап, Р.А. Томакова. С.А. Филист/

63. Прикладная радиоэлектроника. Состояние и перспективы развития» (МРФ-2008): сб. трудов Третьего Международного радиоэлектронного Форума-Харьков, 2008. -С. 75-78.

64. Пихлап, С.В. Нечеткие нейросетевые структуры для сегментации изображений глазного дна / С.В. Пихлап, Р.А. Томакова, С.А. Филист //Вестник Воронежского государственного технического университета Воронеж, 2009. Т.5. №4. - С. 42-45.

65. Поспелова, Д.А. Нечеткие множества в моделях управления и искусственного интеллекта/Под ред. Д.А. Поспелова. -М.: Наука, 1986 — 206 с.

66. Поспелов, Г.С. Искусственный интеллект основа новой информационной технологии/ Г.С. Поспелов - М.: Наука, 1988. —168 с.

67. 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-ДАНА, 2001. -656 с.

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

69. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JI. Рутковский — М.: Горячая линия Телеком, 2004. 452 с.

70. Сегментация клеток на гистологических препаратах для световой микроскопии/ A.M. Недзьведь, С.В. Абламейко // Сб. мат. докл. 5-й междунар. конф. по распознаванию образов и обработке информации PRIP-99.-Минск, 1999.-Ч. 2.-С. 143-148.

71. Симоненко, В.Б. Функциональная диагностика: руководство для врачей общей практики/ В.Б. Симоненко, А.В. Цоколов, А.Я. Фисун. -М.:ОАО "Издательство "Медицина", 2005. 304с.

72. Сифоров, В.И. Адаптивные методы обработки изображений: сборник научных трудов/под. ред. В.И. Сифоров. М: Наука, 1988. - 242 с.

73. Сойфер, В.А. Теоретические основы цифровой обработки изображений: учебное пособие. В.А. Сойфер, В.В. Сергеев, С.Б. Попов, В.В. Мясников; Самарский государственный аэрокосмический университет им. акад. С.П. Королева. Самара,2000. - 256 с.

74. Талеб М.А. Алгоритм идентификации участков кожи человека на цветных изображениях// Цифровая обработка изображений. Минск: Ин-т техн. кибернетики НАН Беларуси, 2001.Вып.5.-С. 151-157.

75. Талеб М.А. Алгоритм сегментации цветных изображений средствами кластерного анализа// Цифровая обработка изображений-Минск: Ин-т техн. кибернетики НАН Беларуси, 2000.Вып.4.-С. 107-116.

76. Талеб, М.А., Старовойтов В.В. О сегментации цветных изображений// Известия Национальной академии наук Беларуси. Сер. технические науки—Минск.—2000.—№ 1—С. 107-111.

77. Тарасов, В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном интеллекте// Новости искусственного интеллекта. 1995. —№4 — С. 24-30.

78. Тэрано, Т Прикладные нечеткие системы: пер. с японского / Под ред. Т. Тэрано, К. Асаи, М. Сугено. М.: Мир, 1993.

79. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика: пер. с англ./ Ф. Уоссермен -М.: Мир, 1992. -240 с.

80. Федоров, С.Н. Объективный метод количественной оценки цветности диска зрительного нерва // Офтальмологический журнал , 1981. — № 1. — С. 47-50.

81. Филист С.А. Модель модуля нечеткого вывода для ранней диагностики ишемической болезни сердца / А.А. Грахов, В.В. Жилин,

82. С.А. Филист// Физика и радиотехника в медицине и экологии: Доклады 8-й межд. научн. техн. конф. Книга 1. Владимир, 2008. С. 208-211.

83. Филист, С.А. Автоматизированная система для спектрального анализа и визуализации квазипериодиеских процессов. Циклы природы и общества : материалы IV Международной конференции/ С.А. Филист, С.Ю. Багликов. Ставрополь, 1996. С. 292-293.

84. Филист, С.А. Метод спектрального анализа биомедицинских сигналов/ С.А. Филист, С.Ю. Багликов, Е.А. Юдина// сборник материалов 2-й Международной конференции «РАСПОЗНАВАНИЕ-95» Курск, 1995.-С. 93.

85. Филист, С.А. Методы двумерного спектрального преобразования электрокардиосигналов в ранней диагностике сердечнососудистых заболеваний / С.А. Филист// Биомедицинская радиоэлектроника- 2001— №3- С. 14—20.

86. Филист, С.А. Нейросетевой решающий модуль для исследования живых систем / С.А. Филист, С.Г. Емельянов, А.Ф. Рыбочкин// Известия Курского государственного технического университета №2 (23), 2008. С. 77-82.

87. Форсайт, Д.А. Компьютерное зрение. Современный подход / Д.А. Форсайт, Ж. Понс. — М.: Издательский дом «Вильяме», 2004.

88. Форсайт, Дж. Машинные методы математических вычислений/ Дж. Форсайт, М. Малькольм, К. Моулер. М.: Мир, 1980 - 279с.

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

90. Халед Абдул, Р.С. Метод синтеза модуля нечеткого вывода для трехмерного признакового пространства . Т. 13/ Р.С. Халед Абдул, С.А. Филист // Вестник новых медицинских технологий. Тула, 2006. -№2. С. 55-56.

91. Чешко, Н.Н. Морфометрия изменений онтогенеза у крыс, вызванных малыми дозами ионизирующей радиации. /Мельниченко Э.М., Чешко Н.Н., Берлов Н.Н. и др. // Здравоохранение Беларуси. 1997-№10.-С. 19-21.

92. Шамшинова, A.M. Наследственные и врожденные заболевания сетчатки глаза и зрительного нерва/ Под ред. A.M. Шамшиновой — М.: Медицина, 2001- 166 с.

93. Ярославский, Л.П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику. М.: Радио и связь. - 1987. -296 с.

94. Bellmann, С. Fundus autofluorescence imaging compared with different confocal scanning laser ophthalmoscopes / C. Bellmann, G.S. Rubin, S.A. Kabanarou, A.C. Bird, F.W. Fitzke // Br. J. Ophthalmol. 2003. - Vol. 87 (11) - P. 1381-1386

95. Bernardes, R. Mapping the human blood-retinal barrier function / R. Bernardes, J. Dias, J. Cunha-Vaz // IEEE Trans. Biomed. Eng. — 2005. — Vol. 52(1)-P. 106-116.

96. Bindewald, A. cSLO Fundusautofluoreszenz -ImagingMethodische Weiterentwicklungen der konfokalen Scanning-Laser-Ophthalmoskopie / A. Bindewald, J.J. Jorzik, F. Roth, F.G. Holz // Ophthalmologe . - 2004. - 10, 14. - P. S0941-293X.

97. Branchevsky, S.L. Methods for estimating geometric parameters of retinal vessels using diagnostic images of fundus / S.L. Branchevsky, A.B. Durasov, N.Yu.Iliasova, A.V. Ustinov// Proceedings SPIE, 1998. -vol.3348.-P. 316-325.

98. Dithmar S. Confocal scanning laser indocyanine angiography whis the Heidelberg retinal angiography / Klin Monatsbl Augenheeikd. 1995. -207(1).-11-6.

99. Itai, N. Comparison of optic disc topography measured by Retinal Thickness Analyzer with measurement by Heidelberg Retina Tomograph II / N. Itai, M. Tanito, E. Chihara / Jpn. J. Ophthalmol. 2006. - Vol. 47. - P. 214220.

100. Hopfield, J. Simple "neural" optimization networks: an A/D converter, signal decision circuit, and a linear programming circuit // IEEE Trans, on Circuits and Systems, Vol. CAS-33, 1986.- №5 -P. 533-54

101. Kohonen T. Self-organizing maps. Berlin etc: Springer, 1995. XV — 362 p. (Springer ser. in inform, sciences; 30).

102. Kelly, J.P. Imaging a child's fundus without dilation using a handheld confocal scanning laser ophthalmoscope / J.P. Kelly, A.H. Weiss, Q. Zhou, S. Schmode, A.W. Dreher / Arch. Ophthalmol. 2003. - Vol. 121 (3) -p. 391-396.

103. Lee, C.C. Fuzzy logic in control systems: fuzzy logic controller-part I, II // IEEE Trans, on Systems, Man and Cybernetics, Vol. 20,1990. -№2 -P. 404-435.

104. Lippmann R.P. An introduction to computing with neural nets // IEEE ASSP Magazin, April, 1987. P. 4-20.

105. Manivannan, A. Clinical investigation of a true color scanning laser ophthalmoscope / A. Manivannan, J. Van der Hoek, P. Vieira, et al. / Arch. Ophthalmol. 2007. - Vol. 119. - P. 819-824.

106. Pandua, A.S. Pattern recognition with neural networks in С++. —Boca Raton: CRC Press: 1996. -410 p.

107. Podoleanu, A.G. Combined multiplanar optical coherence tomography and confocal scanning ophthalmoscopy / A.G. Podoleanu, G.M. Dobre, R.G. Cucu, et al. / J. Biomed. Opt. 2008. - Vol. 9 . - P. 86-93.

108. Rudolph, G. Scanning laser ophthalmoscope-evoked multifocal ERG (SLO-mfERG) in patients with macular holes and normal individuals / G. Rudolph, P. Kalpadakis, M. Bechmann, C. Haritoglou, A. Kampik / Eye. -2007.-Vol. 17.-P. 801-808.

109. Rudolph, G. SLO-mfERG-Kampimetrie und SLO-Mikroperimetrie bei Morbus Stargardt / G. Rudolph, P. Kalpadakis, O. Ehrt, T. Berninger, A. Kampik // Ophthalmologe, 2006. Vol. 100. - P. 720 - 726.

110. Rumelhart, D.E. Learning integral representations by error propagation // Parallel Distributed Processing, Vol. 1, 1986.- № 8 -P.318-362.

111. Schwaitzer, S. Guentheretal / S. Schwaitzer // International Ophthalmology, 1992. Vol.16. -P. 251-257.

112. Sheider, A. Detector of subretinal neovascularisation membranes whis indocyanine green and infratid scanning laser ophthlmoscope / A. Sheider, A. Kaboth, L. Neuhauser / Am. J. Ophthalmol. 1992. - 113. - P. 45-51.

113. Schmeisser, E.T. Modification of the Heidelberg retinal flowmeter to record pattern and flicker induced blood flow changes / E.T. Schmeisser, J.M. Harrison, E.E. Sutter et al./ Doc. Ophthalmol.- 2003. Vol. 106 (3) - P. 257-263.

114. Srinivasan D. Forecasting daily load curves using a hybrid fuzzy-neural apporoach // IEE Proc Generat. Transmiss. Distrib., Vol. 141, 1994-№6- P. 561 -567

115. Trieschmann, M. Macular pigment: quantitative analysis on autofluorescence images / M. Trieschmann, G. Spital, A. Lommatzsch, et al. / Graefes Arch. Clin. Exp. Ophthalmol. -2005. Vol. 241 (12)-P. 1006-1012.

116. Vohnsen, B. Directional imaging of the retinal cone mosaic / B. Vohnsen, I. Iglesias, P. Artal / Opt. Lett. 2008. - Vol. 29 (9) - P. 968-970.

117. Yannuzzi, L.A. Ophthalmic fundus imaging: today and beyond / L.A. Yannuzzi, M.D. Ober, J.S. Slakter, et al. Ophthalmic fundus imaging: today and beyond / Am. J. Ophthalmol. 2008. - Vol. 137 (3) - P. 511-524.

118. Cucu, R.G. Combined multiplanar optical coherence tomography and confocal scanning ophthalmoscopy / A.G. Podoleanu, G.M. Dobre, R.G. Cucu, et al. ./ J. Biomed. Opt. 2008. - Vol. 9 . - P. 86-93.

119. Rudolph, G. Scanning laser ophthalmoscope-evoked multifocal ERG (SLO-mfERG) in patients with macular holes and normal individuals / G. Rudolph, P. Kalpadakis, M. Bechmann, C. Haritoglou, A. Kampik / Eye. -2007. — Vol. 17-P. 801-808.

120. Rudolph, G. SLO-mfERG-Kampimetrie und SLO-Mikroperimetrie bei Morbus Stargardt / G. Rudolph, P. Kalpadakis, O. Ehrt, T. Berninger, A. Kampik // Ophthalmologe, 2006. Vol. 100. - P. 720 - 726.

121. Schwaitzer, S. Guentheretal / S. Schwaitzer // International Ophthalmology, 1992. Vol.16. - P. 251-257.

122. Sheider, A. Detector of subretinal neovascularisation membranes whis indocyanine green and infratid scanning laser ophthlmoscope / A. Sheider, A. Kaboth, L. Neuhauser / Am. J. Ophthalmol. 1992. - 113. - P. 45-51.

123. Trieschmann, M. Macular pigment: quantitative analysis on autofluorescence images / M. Trieschmann, G. Spital, A. Lommatzsch, et al. / Graefes Arch. Clin. Exp. Ophthalmol.-2005.-Vol. 241 (12)-P. 1006-1012.1341. О ^

124. Vohnsen, В. Directional imaging of the retinal cone mosaic / B. Vohnsen, I. Iglesias, P. Artal / Opt. Lett. 2008. - Vol. 29 (9) - P. 968-970.

125. Whitley D. Genetic algorithms and neural networks: optimizing connections and connectivity // Parallel Computing, Vol. 14, 1990. P. 347-361.

126. Yannuzzi, L.A. Ophthalmic fundus imaging: today and beyond / L.A. Yannuzzi, M.D. Ober, J.S. Slakter, et al. Ophthalmic fundus imaging: today and beyond / Am. J. Ophthalmol. 2008. - Vol. 137 (3) - P. 511-524.

127. Zadeh L.A. Fuzzy algorithms // Information and control. Vol. 12, 1968,-№2-P. 233-238.