Главная » Просмотр файлов » Диссертация

Диссертация (1174210), страница 8

Файл №1174210 Диссертация (Автоматизированная бактериоскопическая диагностика туберкулеза) 8 страницаДиссертация (1174210) страница 82020-05-24СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 8)

Использование логистического регрессионного уравнениятакже с высокой точностью позволяет классифицировать злокачественные идоброкачественные образования молочной железы, обнаруженные с помощьюцифровой маммографии [201] и различные неврологические нарушения наизображенияхголовногомозга,полученныхпримагнитно-резонанснойтомографии [227].Построение дискриминантных уравнений для распознавания цифровыхизображений также получило широкое распространение.

Так, предложено сприменением дискриминантной функции осуществлять поиск лейкоцитов намикроскопическихизображенияхпрепаратовкрови[309],диагностику37ревматоидного артрита на изображениях диффузной оптической томографии [202]и классификацию тканей молочной железы на изображениях цифровоймаммографии [263]. Также с помощью дискриминантного анализа предпринятапопытка классификации поражений шейки матки [254] и изображений глазного днадля «отбраковки» изображений, полученных с качеством недостаточным дляанализа с помощью других классификационных методов [160].Помимо этого, дискриминантный анализ используется для классификации врежиме реального времени электроэнцефалографических изображений, чтопозволило получить довольно существенное качество распознавания [171]. Вработе F.

Shi с соавт. (2007) представлена дискриминантная модель многомернойклассификации паттернов, основанная на функциональной магнитно-резонанснойтомографии для диагностики шизофрении с 80% вероятностью [311]. S. Seidenari ссоавт. (1999) представили цифровой видеомикроскоп, оснащенный специальнойпрограммойдляколичественнойхарактеристикиразличныхпараметровклинически значимых признаков пигментированного поражения кожи. Даннаясистемапозволиласо100%чувствительностью92%специфичностьюдифференцировать невусы и меланомы [326].В качестве примеров применения различных видов деревьев классификациидля распознавания изображений можно привести классификацию изображенийсердца, полученных с помощью магнитно-резонансной томографии, дляопределения риска возникновения аритмий после перенесенного инфарктамиокарда[175],многоклассовуюклассификациюрентгенологическихизображений [260], распознавание атипичных липом [346] и типов нейронов наизображениях цитологических и гистологических препаратов [274].Несмотря на широкое распространение логистических регрессионных идискриминантны моделей, а также деревьев классификации, в настоящее времянаибольшее распространение для классификации и распознавания цифровыхизображений получили нейронные сети [366].

Спектр применения нейронныхсетей охватывает практически все области медицины, в которых используютсяцифровые изображения, от инфекционных заболеваний до онкологии и38травматологии. Например, нейронные сети применяются при распознаваниитяжелого острого респираторного синдрома на инфракрасных изображениях [308]или для распознавания рака молочной железы [139, 182].В работе A. Lorenz с соавт. еще в 1997 году предложены различные структурыклассификационныхнейронныхсетейдлядифференцировкиучастковзлокачественных тканей на ультразвуковых изображениях предстательной железы[195].

При сравнении полученных алгоритмов с другими классификационнымиметодами, такими как k-ближайших соседей и классификатором Байеса,нейронные сети показали лучшие результаты классификации. Так, нейронная сетьпозволила осуществлять классификацию с 86% точностью, а k-ближайших соседейи Байесовский классификатор лишь с 78% и 79% точностью соответственно.В работе S.M.

Oden (2010) показано применение нейронных сетей длярешения двух последовательных задач [295]. Первая задача заключается вдифференцировке раковых или предраковых образований и псориаза, а вторая –дифференцировкаизображений,накоторыхпредставленабазалиомаотизображений, на которых представлен актинический кератоз. При этом,применение нейронной сети для решения первой задачи позволило получитьпрактически 100% точность классификации, а второй – 92%.Имеются публикации, в которых с применением нейронных сетей путеманализа изображений осуществляется обнаружение различных заболеваний глаз[199].

К примеру, при применении нейронной сети для диагностики глаукомыполучена80%чувствительностьклассификацииизображенийи90%специфичность.Для диагностики рака молочной железы в части классификации изображенийприменяются различные методы, но в большинстве экспериментов нейронные сетипозволяют получить наиболее точные результаты [241].Для выявления эритроцитов, инфицированных малярийным плазмодиемпредложены нейросетевые модели анализа микроскопических изображений мазковпрепаратов крови, имеющие 85% чувствительность и 81% прогностичностьположительногорезультата.Помимонепосредственноговыявления39инфицированных эритроцитов с помощью нейросетевых моделей удаетсяопределить вид плазмодия (P.

falciparum, P. vivax, P. ovale или P. malariae) [156].Изображения компьютерной томографии и ультразвуковые изображения сприменением нейросетевых моделей также позволяют осуществлять ускореннуюдиагностику заболеваний печени. В работе E.L, Chen с соавт. (1998) представленанейросетеваясистемадиагностическойклассификациитомографическихизображений печени, которая осуществляет автоматический поиск и извлечениеграницы печени и далее классифицирует заболевания [146].

Другими авторамитакже предложена нейросетевая модель дифференцировки цирроза и жировойинфильтрации печени [200].Нейронные сети позволяют осуществлять классификацию радиографическихизображений для диагностики и дифференцирования болей в суставах голени [250]и изображения однофотонной эмиссионной компьютерной томографии дляклассификации пожилых людей, страдающих болезнью Альцгеймера и условноздоровых [293].G. Carneiro с соавт. (2015) использовал нейронную сеть для диагностикиплоскоклеточного рака [364], а другими авторами нейросетевой классификаторприменялся для классификации гистологических изображений головного мозга сцелью диагностики его опухолей [208, 248].Необходимо отметить, что в большинстве работ, в которых осуществляетсясравнение результатов распознавания изображений с помощью нейронных сетей идругих классификационных математических моделей, нейронные сети, какправило позволяют получить лучшие результаты классификации [169, 197, 242,337].

Так, при сравнении результатов диагностики эозинофильной гранулемыголени, при проведении компьютерного томографического исследования, спомощью искусственной нейронной сети и логистическим регрессионныманализом более точные результаты были получены с применением первой изуказанных моделей [172].

В работе J. S. DaPonte с соавт. (1991) также сприменением нейронной сети были получены более точные результатыклассификации изображений, чем с применением дискриминантной функции40[207]. Однако, нейронные сети не всегда показывают наилучший результат. Так,при диагностике остеопороза применение метода опорных векторов позволилополучить более точные результаты классификации, чем нейронные сети [131, 231].Такимобразом,применениеразличногородаматематическихклассификационных моделей позволяет осуществлять распознавание изображенийили объектов, имеющихся на данных изображениях.

Однако, однозначноосуществить выбор какой-либо определенной модели для решения конкретнойклассификационной задачи, ввиду разнообразных результатов, не представляетсявозможным. Для этого необходима реализации различного рода моделей исравнение результатов их работы.1.3.4. Анализ изображений для выявления туберкулезаПомимо использования математических методов для анализа различныхмедицинских изображений использование данных методов находит своеотражение и при анализе изображений, применяемых для выявления туберкулеза[376]. Так, были предложены алгоритмы сегментации изображений легких,полученных с применением компьютерной томографии [355], а также сегментациис помощью метода k-средних и классификации с применением различныхклассификаторов изображений плазмонного иммуноферментного анализа длявыявления туберкулеза [159].Одни из первых попыток автоматизированного поиска кислотоустойчивыхмикобактерий в микроскопических изображениях были предприняты K.Veropoulos с соавт.

(1998-1999). В результате проведенных исследований былиразработаныалгоритмыпоискакислотоустойчивыхмикобактерийвмикроскопических изображениях мокроты, окрашенной аурамином, получаемыепри люминесцентной микроскопии [155, 345, 359]. Для классификацииобнаруженныхнаизображенияхобъектовиспользовалисьискусственные41нейронные сети. Позднее предложены методы сегментации, основанные нанечетких правилах и цветовой корреляции [164, 325].В последующем M. Forero с соавт.

(2006) также была предпринята попыткарешения подобной классификационной задачи, что позволило повысить точностьраспознавания [228]. Также предложена автоматическая идентификация бацилл,где метод сегментации основан на использовании цветовых признаках, а методклассификации основан на эвристических знаниях о наиболее частых формахкислотоустойчивых микобактерий [229].Для сегментации цифровых микроскопических изображения мокроты K.Veropoulos с соавт.

Характеристики

Тип файла
PDF-файл
Размер
3,41 Mb
Предмет
Высшее учебное заведение

Список файлов диссертации

Автоматизированная бактериоскопическая диагностика туберкулеза
Свежие статьи
Популярно сейчас
Почему делать на заказ в разы дороже, чем купить готовую учебную работу на СтудИзбе? Наши учебные работы продаются каждый год, тогда как большинство заказов выполняются с нуля. Найдите подходящий учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6381
Авторов
на СтудИзбе
308
Средний доход
с одного платного файла
Обучение Подробнее