Диссертация (1174210), страница 24

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 24)

При этом с 1 по 94 итерациюпроисходит постепенное повышение показателей, характеризующих качествоклассификации, таких как чувствительность, специфичность, прогностическаяценность положительного и отрицательного результата классификации, а такжеотношения правдоподобия положительного результата.Отношение правдоподобия отрицательного результата практически неменялось на протяжении обучения искусственных нейронных сетей на данныхитерациях. Необходимо отметить, что исключение 38 наименее важных дляклассификации параметров приводит к значительному повышению качестваклассификации объектов.

Так, на 39 итерации обучения искусственных нейронныхсетейчувствительность,характеризующаядолюистинноположительныхрезультатов, составляла уже 94,3%, по сравнению с данным показателем на 1итерацииравным89,8%.Такжеувеличилсяпоказательспецифичности,характеризующий долю истинно отрицательных результатов классификации, до90,6%.Показатели, характеризующие вероятность того, что объект являетсякислотоустойчивой микобактерией, если моделью предсказывается данный класс(PPV), и вероятность того, что объект не является кислотоустойчивоймикобактерией, если модель предсказывает класс иных объектов (PNV) такжепревысили 90% на 39 итерации. Отношение правдоподобия положительногорезультата равное на 39 итерации 10,0 показывает, что при предсказании объектуискусственной нейронной сетью класса кислотоустойчивых микобактерийвероятность того, что данный объект действительно является кислотоустойчивоймикобактерией в 10 раз выше, чем вероятность того, что данный объект являетсяиным объектом на изображении, не относящемся к кислотоустойчивыммикобактериям.163Таблица 17 – Качество классификации трехслойными искусственными нейронными сетями, полученными на различныхитерациях обученияИтерация Число входных Ошибка на Ошибка наобучения,параметров,абс.абс.обучающейтестовойSe, %Se, %PPV, %PNV, %LR+LR-89,888,088,289,67,50,1выборке, % выборке, %123511,111,3391977,27,5651717,27,5921446,77,21031336,87,31231137,88,1141958,38,7[89,5; 90,0] [87,7; 88,2] [87,9; 88,5] [89,3; 89,8] [7,3; 7,6] [0,1; 0,1]94,390,690,994,110,00,1[94,1; 94,5] [90,3; 90,9] [90,7; 91,2] [93,9; 94,3] [9,8; 10,3] [0,1; 0,1]94,990,090,594,69,50,1[94,7; 95,1] [89,7; 90,3] [90,3; 90,8] [94,4; 94,8] [9,3; 9,8] [0,1; 0,1]94,790,891,194,510,30,1[94,5; 94,9] [90,5; 91,0] [90,9; 91,4] [94,3; 94,7] [10,0; 10,5] [0,1; 0,1]94,990,591,094,610,00,1[94,7; 95,0] [90,3; 90,8] [90,7; 91,2] [94,4; 94,8] [9,8; 10,3] [0,1; 0,1]93,390,490,793,19,80,1[93,1; 93,5] [90,2; 90,7] [90,5; 91,0] [92,9; 93,3] [9,5; 10,0] [0,1; 0,1]93,689,089,493,38,50,1164[93,3; 93,8] [88,7; 89,3] [89,2; 89,7] [93,1; 93,5] [8,3; 8,7] [0,1; 0,1]181559,79,82023410,210,42251110,811,0235114,114,492,088,588,891,78,00,1[91,7; 92,2] [88,2; 88,7] [88,5; 89,1] [91,5; 92,0] [7,8; 8,2] [0,1; 0,1]91,088,288,690,77,70,1[90,8; 91,3] [88,0; 88,5] [88,4; 88,9] [90,5; 91,0] [7,6; 7,9] [0,1; 0,1]90,587,587,990,17,30,1[90,2; 90,7] [87,2; 87,8] [87,7; 88,2] [89,9; 90,4] [7,1; 7,4] [0,1; 0,1]85,186,286,185,16,20,2[84,8; 85,4] [85,9; 86,5] [85,8; 86,4] [84,8; 85,4] [6,0; 6,3] [0,2; 0,2]165Дальнейшее исключение входных параметров на последующих итерацияхобучения искусственных нейронных сетей, в частности до 123 итерации, привело кнезначительномуснижениюпоказателей,характеризующихкачествоклассификации, но позволило существенно снизить число входных параметров с144 на 92 итерации до 113, то есть исключить 31 параметр из числа входныхпараметров искусственной нейронной сети для классификации объектов.

На 123итерацииобученияполученыпоказатели,характеризующиекачествоклассификации, со значением более 90%. Такие значения также позволяютиспользоватьклассификацииполученнуюобъектовнейроннуюнасетьцифровыхдляизображенияхавтоматизированноймикроскопическихпрепаратов мокроты, окрашенной по методу Циля-Нильсена, а несколько худшиепоказатели качества классификации могут быть компенсированы более высокойскоростью автоматизированного анализа ввиду меньшего числа необходимыхвходных параметров для работы, полученной искусственной нейронной сети.Дальнейшее исключение входных параметров привело к уменьшениюпоказателей, характеризующих качество классификации.

Так, на последнейитерации, когда в качестве входных значений искусственной нейронной сетиостался лишь один параметр, имеющий наибольшую важность, чувствительностьсоставила85,1%,специфичность–86,2%,прогностическаяценностьположительного результата – 86,1%, отрицательного результата – 85,1%, аотношение правдоподобия положительного и отрицательного результата –соответственно 6,2 и 0,2. Ошибка классификации четырехслойной нейроннойсетью на обучающей и тестовой выборках на протяжении всех 235 итерацийобучения представлена на рисунке 57.

Ошибка классификации на первой итерацииимеет также довольно высокое значение по сравнению с ошибками классификациина большинстве последующих итераций. Установлено, что наименьшая ошибкабыла получена на 51 и 75 итерациях построения искусственной нейронной сети прииспользовании соответственно 185 и 161 входного параметра. В таблице 18приведена более детальная оценка качества классификации четырехслойнымиискусственными нейронными сетями на различных итерациях обучения.166161412108640171319253137434955616773798591971031091151211271331391451511571631691751811871931992052112172232292352Ошибка на обучающей выборкеОшибка на тестовой выборкеРисунок 57 – Ошибка классификации четырехслойной нейронной сетью на обучающей и тестовой выборках167Таблица 18 – Качество классификации четырехслойными искусственными нейронными сетями, полученными на различныхитерациях обученияИтерация Число входных Ошибка на Ошибка наобучения,параметров,абс.абс.обучающейтестовойSe, %Se, %PPV, %PNV, %LR+LR-92,292,492,492,212,10,1выборке, % выборке, %12358,58,7391975,35,9511854,55,2751614,55,21031335,76,31231135,86,1141956,06,4[92,0; 92,3] [92,3; 92,5] [92,2; 92,5] [92,0; 92,3] [11,9; 12,3] [0,1; 0,1]93,994,494,393,916,70,1[93,8; 94,0] [94,3; 94,5] [94,2; 94,5] [93,8; 94,1] [16,4; 17,0] [0,1; 0,1]94,695,095,094,619,00,1[94,5; 94,7] [94,9; 95,1] [94,9; 95,1] [94,5; 94,7] [18,6; 19,4] [0,1; 0,1]96,793,093,296,513,80,1[96,6; 96,8] [92,8; 93,1] [93,1; 93,3] [96,5; 96,6] [13,5; 14,0] [0,1; 0,1]93,593,993,993,515,40,1[93,4; 93,6] [93,8; 94,0] [93,8; 94,0] [93,4; 93,6] [15,1; 15,6] [0,1; 0,1]93,794,194,193,816,00,1[93,6; 93,9] [94,0; 94,3] [94,0; 94,2] [93,7; 93,9] [15,7; 16,3] [0,1; 0,1]93,493,393,393,413,90,1168[93,3; 93,6] [93,1; 93,4] [93,2; 93,4] [93,3; 93,6] [13,6; 14,1] [0,1; 0,1]181557,77,9202348,59,0225118,99,4235112,913,491,992,492,391,912,10,1[91,7; 92,0] [92,3; 92,5] [92,2; 92,5] [91,8; 92,0] [11,9; 12,3] [0,1; 0,1]90,891,291,290,810,30,1[90,7; 90,9] [91,1; 91,3] [91,0; 91,3] [90,7; 91,0] [10,2; 10,5] [0,1; 0,1]90,391,090,990,410,00,1[90,1; 90,4] [90,8; 91,1] [90,8; 91,1] [90,2; 90,5] [9,9; 10,2] [0,1; 0,1]86,486,886,886,56,60,2[86,3; 86,6] [86,7; 87,0] [86,6; 86,9] [86,3; 86,6] [6,5; 6,6] [0,2; 0,2]169Таким образом, с использованием математического аппарата искусственныхнейронных сетей построены модели с различным числом входных параметров.Наилучшие показатели трехслойной нейронной сети, характеризующие качествоклассификацииобъектов,былиполученына92итерацииобучения:чувствительность – 94,7%, специфичность – 90,8, ошибка классификации натестовой выборке – 7,2%, а наилучшие показатели четырехслойной нейронной сети– на 75 итерации: чувствительность – 96,7%, специфичность – 93,0%, ошибкаклассификации на тестовой выборке – 5,2%.

Данные математические моделиискусственной нейронной сети могут быть использованы для распознаванияобъектов(кислотоустойчивыхмикобактерийииныхобъектов)вавтоматизированных системах бактериоскопической диагностики туберкулеза.Причем предпочтительным является использование построенной четырехслойнойнейронной сети, так как данная модель позволяет осуществлять классификациюобъектов на цифровых микроскопических изображениях мокроты, окрашенной пометоду Циля-Нильсена, с наилучшими показателями качества классификации посравнению с трехслойной нейронной сетью, логистическими регрессионнымиуравнениями и деревьями классификации, построенными с применениемразличных алгоритмов.170ГЛАВА 6 АВТОМАТИЗИРОВАННАЯ СИСТЕМАБАКТЕРИОСКОПИЧЕСКОЙ ДИАГНОСТИКИ ТУБЕРКУЛЕЗАВ данной главе представлена схема работы и требования к программноаппаратномукомплексудляавтоматизированнойбактериоскопическойдиагностики туберкулеза [84].

Характеристики

Список файлов диссертации