Диссертация (1174210), страница 16
Текст из файла (страница 16)
После 24 итераций обучения и удаления из перечнявходных параметров всех параметров имеющих низкую важность, а также подборанаиболее оптимальной топологии была получена следующая нейронная сеть: числонейронов входного слоя – 8, число нейронов скрытого слоя – 7, число нейроноввыходного слоя – 1. В качестве входных параметров данной нейронной сети92использованы такие параметры изображений, как подобранная с использованиемописанной выше нейронной сети нижняя граница H, среднее значение H, среднеезначение G, максимальное значение R, значение интервала 240-250 гистограммызначений R, значения интервалов 110-120 и 170-180 гистограммы значений H изначение интервала 70-80 гистограммы значений V.
В качестве функции активациинейронов скрытого слоя также, как и при построении первой нейронной сетииспользована функция гиперболический тангенс (34). В качестве функцииактивации нейрона выходного слоя использована синусоидная функция:( ) = sin(),(36)где f(x) – значение выходного сигнала нейрона, x – значение параметраполученного после сумматора нейрона.Показатели качества работы нейронной сети подбора нижней границы Sпредставлены в таблице 4.Таблица 4 – Показатели качества работы нейронной сети для подбора нижнейграницы SВыборкаТочность, %ОтносительнаяСредняя абсолютнаяошибка, %ошибка, ед.Обучающая89,410,60,63Тестовая90,89,20,45Контрольная90,19,90,57Как показывают результаты, представленные в таблице 4, наименьшаяточность (89,4%) и наибольшие как относительная ошибка (10,6%), так и средняяабсолютная ошибка (0,63 единиц) были получены на обучающей выборке.
В связис тем, что данные показатели на тестовой и контрольной выборках существенно неотличаются от показателей на обучающей выборке, это связано с существеннобольшим объемом обучающей, чем тестовой и контрольной выборок. На рисунках17-19 представлены гистограммы абсолютных отклонений вручную подобранныхнижних границ S от подобранных нижних границ S нейронной сетью.9345,039,740,035,030,930,025,0%23,520,015,010,05,00,02,91,5[-2, -1]0,0(-1, 0](0, 1](1, 1](1, 2](2, 3]Интервал отклонений0,0(3, 4]1,5(4, 5]Рисунок 17 – Гистограмма абсолютных отклонений вручную подобранныхнижних границ S от подобранных нижних границ S нейронной сетью наобучающей выборкеИз приведенных на рисунках 17-19 гистограмм следует, что большинство(более 90%) отклонений на обучающей выборке входит в интервал от -1 до 1, натестовой – от -2 до 1, на контрольной – от -2 до 1.
Данные отклонения такжеявляются незначительными в сравнении с возможным диапазоном значенийпараметра S (от 0 до 100).9445,042,740,034,135,030,0%25,020,015,015,010,05,00,04,11,6[-3, -2](-2, -1](-1, 0](0, 1](1, 2]Интервал отклонений2,2(2, 3]0,3(3, 4]Рисунок 18 – Гистограмма абсолютных отклонений вручную подобранныхнижних границ S от подобранных нижних границ S нейронной сетью на тестовойвыборкеМаксимальный диапазон отклонений получен на тестовой и контрольнойвыборках, который составляет лишь 3,0% от всего возможного диапазона значенийпараметра S.Приведенные выше результаты показывают достаточное качество работынейронной сети для автоматизации подбора нижней границы S для последующейсегментации микроскопических изображений микроскопических препаратов,окрашенных по методу Циля-Нильсена.9550,047,145,040,035,033,8%30,025,020,013,215,010,05,95,00,0[-2, -1](-1, 0](0, 1]Интервал отклонений(1, 2]Рисунок 19 – Гистограмма абсолютных отклонений вручную подобранныхнижних границ S от подобранных нижних границ S нейронной сетью наконтрольной выборкеТаким образом, алгоритм предобработки изображения заключается в расчетена каждом изображении параметров необходимых для работы нейронных сетей дляподбора нижних границ H и S.
Все необходимые параметры представлены втаблице 5. Общую схему алгоритма сегментации микроскопического изображениямокроты, окрашенной по методу Циля-Нильсена с подбором нижних границ H и Sс помощью искусственной нейронной сети представлен на рисунке 20. Ввидуотсутствия среди параметров необходимых для работы полученных нейронныхсетей стандартных отклонений цветовых характеристик пикселей, то работаданного алгоритма осуществляется за два прохода по изображению.96Таблица 5 – Параметры изображений необходимые для работы нейронных сетейдля подбора нижних границ H и SПараметрСреднее значение HЗначение интервала 210-220гистограммы значений BЗначение интервала 230-240гистограммы значений BЗначение интервала 170-180гистограммы значений GЗначение интервала 20-30гистограммы значений HЗначение интервала 190-200гистограммы значений HЗначение интервала 200-210гистограммы значений HЗначение интервала 210-220гистограммы значений HЗначение интервала 0-10гистограммы значений SЗначение интервала 20-30гистограммы значений SЗначение интервала 30-40гистограммы значений SЗначение интервала 180-190гистограммы значений YЗначение интервала 210-220гистограммы значений YМинимальное значение SПодобранная с использованиемнейронной сети нижняя граница HСреднее значение GМаксимальное значение RЗначение интервала 240-250гистограммы значений RЗначение интервала 110-120гистограммы значений HЗначение интервала 170-180гистограммы значений HЗначение интервала 70-80гистограммы значений VИспользование в нейронной сетидля подбораДля подборанижней границы H нижней границы S++++++++++++++++++++++97НачалоРасчет показателейнеобходимых дляработы нейронныхсетейДвумернаяматрицазначений цветовпикселейПодбор нейроннымисетями нижнихграниц H и SДаПиксельостается наизображенииЗначения цвета пикселявходят в диапазонзначений, подобранныхэкспериментально инейронными сетями?Двумернаяматрицазначений цветовоставшихсяпикселейНетПиксельисключается изизображенияКонецРисунок 20 – Общая схема алгоритма сегментации микроскопическогоизображения мокроты, окрашенной по методу Циля-Нильсена, с использованиемискусственной нейронной сети98Рассмотрим использование разработанного алгоритма на примере одногомикроскопического цифрового изображения мокроты, окрашенной по методуЦиля-Нильсена (рисунок 21).Рисунок 21 – Пример первоначального микроскопического цифровогоизображения мокроты, окрашенной по методу Циля-НильсенаНаэтапепредобработкиизображениябылиполученыпараметры,представленные в таблице 6.
На основе полученных значений с использованиемпостроенных нейронных сетей были получены следующие значения: нижняяграница Н – 229, нижняя граница S – 23. Таким образом были получены граничныезначения параметров H, S и V, используя которые можно провести сегментациюпервоначального изображения на объекты, которые могут при последующеманализе оказаться кислотоустойчивыми микобактериями (эти объекты остаются наизображении) и на объекты, которые не являются кислотоустойчивымимикобактериями(данныеобъектыисключаютсяСегментированное изображение представлено на рисунке 22.изизображения).99Таблица 6 – Параметры полученные на этапе предобработки изображенияПараметрСреднее значение HЗначение интервала 210-220 гистограммы значений BЗначение интервала 230-240 гистограммы значений BЗначение интервала 170-180 гистограммы значений GЗначение интервала 20-30 гистограммы значений HЗначение интервала 190-200 гистограммы значений HЗначение интервала 200-210 гистограммы значений HЗначение интервала 210-220 гистограммы значений HЗначение интервала 0-10 гистограммы значений SЗначение интервала 20-30 гистограммы значений SЗначение интервала 30-40 гистограммы значений SЗначение интервала 180-190 гистограммы значений YЗначение интервала 210-220 гистограммы значений YМинимальное значение SСреднее значение GМаксимальное значение RЗначение интервала 240-250 гистограммы значений RЗначение интервала 110-120 гистограммы значений HЗначение интервала 170-180 гистограммы значений HЗначение интервала 70-80 гистограммы значений VЗначение218,417732156088240780194340971272915503381664091725460245422,3176,2229001468892Рисунок 22 – Сегментированное микроскопическое цифровое изображениемокроты, окрашенной по методу Циля-Нильсена100На основе результатов, полученных в ходе реализации данного этапаисследования, была разработана программа (рисунок 23) «NeuroSegment»(свидетельство о регистрации программы для ЭВМ в Федеральной службе поинтеллектуальной собственности №2018664587 от 19.11.2018 г.).
Даннаяпрограмма позволяет рассчитывать все необходимые для работы нейронных сетей,осуществляющих подбор нижних границ H и S, параметры цифровыхмикроскопических изображений, включая средние, минимальные и максимальныезначения цветовых составляющих пикселей в цветовых схемах RGB и HSV икоэффициентаяркости,атакжестандартныеотклонения,дисперсииигистограммы данных цветовых составляющих.После расчета необходимых параметров осуществляется подбор нижнихграниц H и S и автоматическая сегментация стартового изображения (верхнееизображение на рисунке 23).
Итогом сегментации являются два изображения:изображение, содержащее только объекты, оставшиеся после сегментации длядальнейшего распознавания (нижнее левое изображение на рисунке 23) иизображение обратное первому, содержащее части изображения, в дальнейшеманализе которых необходимость отсутствует (нижнее правое изображение нарисунке 23). Наличие второго из полученных изображений необходимо длявизуального контроля качества сегментации разработанными искусственныминейронными сетями путем оценки наличия исключенных после сегментацииобъектов, относящихся к кислотоустойчивым микобактериям.Таким образом, с использованием математического аппарата искусственныхнейронныхсетейразработаналгоритмпредобработкиисегментациимикроскопических цифровых изображений мокроты, окрашенной по методу ЦиляНильсена.
Данный алгоритм может быть использован для дальнейшегораспознавания объектов в качестве кислотоустойчивых микобактерий или иныхобъектов для разработки автоматизированных систем бактериоскопическойдиагностики туберкулеза.101Рисунок 23 – Окно программы «NeuroSegment»1023.2.3. Алгоритм сегментации с использованием самоорганизующейся картыКохоненаВ данном разделе рассмотрена разработка метода сегментации цифровыхмикроскопических изображений мокроты, окрашенной по методу Циля-Нильсенас использованием самоорганизующейся карты Кохонена [111].Для сегментации цифровых изображений была обучена самоорганизующаясякарта Кохонена, состоящая из 1024 нейронов, расположенных в видепрямоугольной сетки с ребром в 32 нейрона.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
