Диссертация (1174210), страница 8
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.