Система обработки изображений при диагностике наследственных заболеваний по методу дерматоглифики

Алгоритмы компьютерной обработки изображений, позволяющие существенно повысить скорость проведения диагностики сахарного диабета на основе дерматоглифического исследования. Элементы программного обеспечения системы. Результат обучения нейронной сети.

Рубрика Программирование, компьютеры и кибернетика
Вид автореферат
Язык русский
Дата добавления 02.07.2018
Размер файла 136,8 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru//

Специальности:

05.13.01 Системный анализ, управление и обработка информации

05.11.17 - Приборы, системы и изделия медицинского назначения

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Система обработки изображений при диагностике наследственных заболеваний по методу дерматоглифики

Азази Амар Али Али

Тверь - 2011

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Работа выполнена в Тверском государственном техническом университете

Научный руководитель -

доктор технических наук, профессор Дмитриев Геннадий Андреевич

Научный консультант -

доктор технических наук, доцент Марголис Борис Иосифович

Официальные оппоненты:

доктор технических наук, профессор Попечителев Евгений Порфирьевич,

кандидат технических наук, доцент Биллиг Владимир Арнольдович

Ведущая организация - ОАО "НПП" "Эргоцентр " (г. Тверь)

Защита диссертации состоится «26» января 2012 г. в 16 часов на заседании диссертационного совета Д 212.262.04 при Тверском государственном техническом университете по адресу: 170026, г. Тверь, наб. А. Никитина, 22, комн. 212.

С диссертацией можно ознакомиться в библиотеке Тверского государственного технического университета (адрес: 170023 г. Тверь, пр. Ленина, 25).

Автореферат разослан “ 23 ” декабря 2011 г.

Ученый секретарь диссертационного совета

д.т.н., профессор Филатова Н.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В последние годы цифровая обработка и анализ изображений находят все большее применение в различных областях науки и техники, в том числе и в биомедицинских исследованиях. Часто решение многих практических задач сводится к проблеме обнаружения и распознавания или измерения по одному или нескольким изображениям объектов, удовлетворяющих некоторому описанию. В работах отечественных и зарубежных исследователей получены теоретические и практические решения данной проблемы, предложен целый ряд методов и моделей, которые могут быть использованы для обнаружения, распознавания и измерения объектов, представленных изображениями. Однако, несмотря на имеющиеся достижения в области обработки и распознавания изображений, их применение к решению конкретных практических задач требует дополнительных исследований. Разработка и использование моделей и алгоритмов для эффективного решения прикладных задач обработки изображений требует знания предметной области, особенностей решаемых задач.

В клинической медицине изучаются и используются для диагностики различных заболеваний отклонения в пальцевой и ладонной дерматоглифике. Многие генетики и клиницисты считают, что дерматоглифичекий метод позволяет установить не только диагноз болезни, но и вид хромосомной аберрации. В последние годы появились работы по изучению дерматоглифики при различных болезнях с наследственной предрасположенностью, к которым относятся в частности и сахарный диабет первого и второго типа.

Индивидуальное многообразие структур папиллярного рельефа чрезвычайно велико. Однако, несмотря на чрезвычайное разнообразие, отдельные элементы дерматоглифики поддаются группировке в относительно небольшое число классов, чтобы упростить их анализ. Исследования показали, что основными признаками (дескрипторами) для ранней диагностики предрасположенности пациента к определенному заболеванию являются: тип и подтип узора дистальных фаланг пальцев, ориентация пальцевого узора, общий гребневой счёт, ладонный угол atd, направление ладонных линий.

Для принятия решения и диагностики предрасположенности пациента к заболеванию сахарным диабетом требуется выделить и распознать сложные изображения элементов дерматоглифики. Помимо того, что эта задача трудоемкая и утомительная, она требует наличия квалифицированных специалистов, способных уверенно распознавать эти элементы. Применение методов компьютерной обработки изображений способно существенно повысить скорость проведения диагностики на основе дерматоглифического исследования и способствовать его широкому внедрению.

Существующие аппаратно-программные комплексы для дерматоглифи-ческих исследований предназначены для медико-генетического консульти-рования и не позволяют объективно измерять параметры характерных точек, узорную асимметрию и автоматически определять отдельные элементы дерматоглифических изображений, что приводит к снижению качества принимаемых решений, которое в системах медицинского назначения определяется диагностической чувствительностью и прогностической значимостью.

Таким образом, разработка моделей и алгоритмов автоматического распознавания дерматоглифических изображений и построения на их основе компьютерной системы принятия решений о наследственной предрасположенности к сахарному диабету первого и второго типа, является актуальной задачей.

Цель работы. Повышение эффективности определения предрасполо-женности к наследственным заболеваниям путем разработки компьютерной системы обработки изображений и моделей для автоматизации дерматоглифи-ческих исследований.

Для достижения поставленной цели необходимо решить следующие задачи:

на основе анализа предметной области выработать требования к системе цифровой обработки изображений при диагностике сахарного диабета с использованием методов дерматоглифики;

разработать алгоритмы компьютерной обработки изображений, позволяющие существенно повысить скорость проведения диагностики сахарного диабета на основе дерматоглифического исследования;

разработать алгоритмы диагностики предрасположенности к сахарному диабету на основе классификации образов;

разработать структуру и основные элементы программного обеспечения системы, предназначенной для автоматизации дерматоглифических исследований и выявления предрасположенности пациента к заболеванию сахарным диабетом;

исследовать на практике эффективность применения разработанных алгоритмов для диагностики заболевания сахарным диабетом.

Методы исследования. В работе применялись методы цифровой обработки изображений, теории принятия решений, системного анализа, искусственного интеллекта, искусственных нейронных сетей, численные методы решения экстремальных задач, статистического анализа.

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

- алгоритм определения комплекса дерматоглифических параметров пальцевых узоров, основанный на корреляционном сопоставлении исходного изображения и эталона (маски) в частотной области на основе двухмерного дискретного преобразования Фурье, позволяющий существенно сократить вычислительные затраты при описании дескрипторов пальцевых узоров и последующей обработки в системе распознавания образов;

- алгоритм обнаружения и анализа расположения ладонных линий на основе преобразования Хафа, позволяющий сформировать дополнительные дескрипторы для повышения эффективности диагностики наследственной предрасположенности к заболеванию сахарным диабетом по методу дерматоглифики;

- алгоритм диагностики сахарного диабета по методу дерматоглифики на основе байесовского классификатора и нейронной сети, обеспечивающий высокое качество распознавания, достоверность и эффективность исследования наследственной предрасположенности к сахарному диабету за счет определения узорной асимметрии на основе автоматического распозна-вания типа и подтипа пальцевого узора и расположения ладонных линий;

- структура и основные элементы программного обеспечения системы обработки изображений, предназначенная для автоматизации дерматоглифических исследований и выявления предрасположенности пациента к заболеванию сахарным диабетом, позволяющая снизить затраты времени на проведение дерматоглифического обследования, обеспечить объективность результатов дерматоглифических исследований, исключить влияние субъективного фактора и повысить достоверность диагноза.

Практическая значимость и результаты внедрения. Практическое значение диссертационной работы определяется возможностью применения результатов исследования для проведения экспресс-диагностики генетической предрасположенности к заболеванию сахарным диабетом. Разработанные модели и алгоритмы составили основу для построения системы компьютерной обработки цифровых изображений для прогнозирования заболевания сахарным диабетом (Программа компьютерной обработки папиллярных изображений при диагностике сахарного диабета // Свидетельство на программу для ЭВМ Заявка № 2011619716).

Внедрение результатов работы. Результаты диссертационной работы внедрены в учебный процесс Тверской государственной медицинской академии и в учебный процесс кафедры АТП Тверского государственного технического университета для студентов специальности 200401 «Биотехнические и медицинские аппараты и системы» и магистрантов направления 200300 «Биомедицинская инженерия».

Апробация работы. Основные положения и результаты докладывались и обсуждались на следующих научных конференциях и семинарах: Международная научно-практическая конференция «Сфера услуг: современные проблемы и тенденции развития» (декабрь, Пенза, Приволжский дом знаний, 2010г.); V Международная научно- практическая конференция «Образование и здоровье. Экономические, медицинские, и социальные проблемы» (декабрь, Пенза, Приволжский дом знаний, 2010г.); Международная летняя школа-семинар по искусственному интеллекту для студентов, аспирантов и молодых ученых «Интеллектуальные системы и технологии: современное состояние и перспективы(ISyT'2011)», Тверь-Протасово, 1-6 июля 2011. Тверь, Тверской государственный технический университет, 2011г.

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 7 печатных работ. В том числе две работы - в изданиях, входящих в список рекомендованный ВАК.

Структура работы. Диссертационная работа изложена на 140 страницах и включает в себя введение, четыре главы основного материала, заключение, приложения, библиографический список из 97 наименований,содержит 11 таблиц и 27 рисунков.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность и практическая значимость диссертационной работы. Сформулированы основные цели и задачи исследования. Кратко излагается содержание глав диссертации.

В первой главе представлен обзор и анализ литературных данных по применению метода дерматоглифики для исследования и определения наследственных заболеваний, к числу которых относится и сахарный диабет. Описаны различные подходы к классификации дерматоглифических признаков. На основании обобщения результатов исследований, проведенных специалистами в области медицины, установлены дерматоглифические признаки, позволяющие проводить исследование наследственной предрасположенности к сахарному диабету. К этим признакам относятся комбинации пальцевых узоров, характеризуемые типом, подтипом и ориентацией пальцевых узоров, а также характер расположения ладонных линий. Отмечено, что комбинации этих признаков у больных сахарным диабетом первого и второго типа различны.

Установлено, что для принятия решения и диагностики предрасположенности пациента к заболеванию сахарным диабетом требуется выделить и распознать сложные изображения элементов дерматоглифики. Помимо того, что эта задача трудоемкая и утомительная, она требует наличия квалифицированных специалистов, способных уверенно распознавать эти элементы. Применение методов компьютерной обработки изображений способно существенно повысить скорость проведения диагностики на основе дерматоглифического исследования, повысить достоверность и эффективность исследования наследственной предрасположенности к сахарному диабету и способствовать его широкому внедрению в практику медико-генетического консультирования.

Анализ процедуры дерматоглифического исследования позволяет выделить следующие основные этапы диагностики наследственной предрасположенности к сахарному диабету при использовании методов цифровой обработки изображений.

Получение дактилокарты.

Сканирование и оцифровка изображения.

Выявление дефектов и улучшение качества цифрового изображения.

Морфологическая обработка изображения.

Обработка изображений для формирования вектора дескрипторов на основе множества пальцевых узоров и вариантов расположения ладонных линий (дерматоглифических признаков).

Формирование заключения о наследственной предрасположенности к заболеванию сахарным диабетом определенного типа путем обработки значений вектора дескрипторов.

Таким образом, задача диссертационной работы заключается в разработке моделей, алгоритмов и методики для автоматизации дерматоглифических исследований при определении наследственной предрасположенности к сахарному диабету первого и второго типа на основе методов цифровой обработки и методов многомерного статистического анализа и построении на их основе компьютерной системы, позволяющей более эффективно проводить медико-генетический анализ.

Во второй главе рассматриваются вопросы разработки и исследования моделей и алгоримов цифровой обработки изображений в автоматизированной системе диагностики сахарного диабета по методу дерматоглифики.

Установлено, что в процессе сканирования дерматоглифических изображений возможно появление дефектов, которые можно разделить на два класса:

- первичные дефекты, обусловленные особенностями папиллярных гребней гребешковой кожи человека (белые линии, дисплазия папиллярных гребней);

- дефекты, обусловленные нарушением методики регистрации при проведении исследования (залипание, непропечатка, нечеткость, низкий контраст).

Низкое качество дерматоглифических изображений, обусловленное этими дефектами, приводит к значительным ошибкам при определении классификационных признаков. Для улучшения изображений используются методы обработки в пространственной области (пространственные методы) и методы обработки в частотной области (частотные методы). Пространственные методы основаны на прямом манипулировании элементами изображения. Процессы пространственной обработки описываются уравнением g(x, y) = T[f(x, y)], где f(x, y) - входное изображение, g(x, y) - обработанное изображение, T - оператор над f(x,y), определенный в некоторой окрестности точки (x, y). Зашумленное изображение f(x,y) можно представить в виде суммы двух компонент: f(x, y) = g(x, y) + h(x, y), где h(x, y) - аддитивный шум. В этом случае g(x, y) выступает как некоторое «идеальное» изображение. Главную роль при улучшении изображений и сегментации играет информация, извлекаемая из гистограмм яркости. Основными методами пространственной обработки являются методы градационных преобразований, методы гистограммной обработки, сглаживающие пространственные фильтры и пространственные фильтры, основанные на первой и второй производных.

Частотные методы основаны на двумерном дискретном преобразовании Фурье: ,

при u = 0,1,2,…,M-1 и v = 0,1,2,…,N-1. Преобразование Фурье обеспечивает значительную гибкость при разработке и реализации алгоритмов фильтрации при решении задач улучшения изображений. Визуальный анализ спектра существенно помогает при использовании инструментов анализа изображений в частотной области. Также улучшения изображений можно добиться с помощью его морфологической обработки, используя операции замыкания и размыкания.

Следующим этапом обработки является бинаризация изображения. Сущность бинаризации заключается в разбиении полутоновых изображений на две области, одна из которых содержит все пиксели со значением ниже некоторого порога, а другая - выше этого порога. Для этого используется гистограмма яркости пикселей вида:

о(rs) = ns,

где rs - это s-й уровень яркости из интервала [1, S], а ns - число пикселей изображения, уровень яркости которых равен rs. Поскольку общее число пикселей изображения равно n, то вероятность ps появления уровня интенсивности rs в данном изображении определяется выражением

ps = о(rs)/n.

Оптимальная пороговая сегментация основана на приближении гистограммы изображения к некоторой кривой, используя весовые суммы двух или более вероятностей интенсивностей с нормальным распределением.

Для дальнейшего анализа изображения с целью выделения классификационных признаков используется процедура утончения, которая сокращает двоичные объекты до отдельных линий, которые имеют толщину в один пиксель. Процедура утончения основывается на методах морфологической обработки изображения, используя операции дилатации, эрозии, а также поисковые таблицы.

Для распознавания классификационных признаков необходимо, чтобы изображения имели одинаковый размер и ориентацию. Однако на практике изображения имеют произвольный размер и ориентацию, поэтому их необходимо унифицировать. Для того, чтобы сориентировать объекты вдоль их основных направлений используются нормированные собственные вектора матрицы Cz, образующие ортонормированный базис в n-мерном евклидовом пространстве. Матрица Cz задается выражением

,

где zk - вектор-столбец, составленный из яркостей одноименных пикселей g родственных изображений. При K = MN

.

Преобразование главных компонент определяется формулой

.

Строками матрицы A служат нормированные собственные вектора матрицы Cz. Это преобразование используется для приближения исходного вектора

когда используется лишь q собственных векторов. Ошибка приближенного восстановления вектора составляет величину

,

где лj - собственные числа матрицы Cz .

Для распознавания текстурных изображений формируются эталоны (маски), содержащие тот или иной тип и подтип изображения дерматоглифического признака.

Базы данных текстурных изображений, используемые в целях анализа и распознавания, содержат либо полное представление эталона, либо сжатое интегральное описание топологических свойств изображений. Соответственно, процедуры распознавания основаны на методе сравнения с эталоном либо на дискриминантных решающих правилах в выбранном пространстве признаков.

Эффективным методом решения данной задачи является согласованная фильтрация, основанная на корреляционном сопоставлении. Корреляционное сопоставление заключается в нахождении позиций на изображении f(x, y), которые лучше всего соответствуют заданному эталону w(x, y). Для этого используется корреляционная метрика - нормированный коэффициент корреляции

,

где f0, w0 - средние значения интенсивности для исходного изображения и маски соответственно.

Если дано n эталонных изображений {wi}, i = 1,…,n, каждое из которых соответствует i - ому классу, то обнаружение фрагмента изображения f(x, y) основано на решении оптимизационной задачи вида:

.

Это есть задача поиска максимального значения нормированного коэффициента корреляции на множестве{wi}.

Альтернативный подход заключается в реализации корреляции в частотной области. В этом случае задача пространственной корреляции сводится к приведению преобразованных изображений, поскольку справедливо утверждение

,

где f(x, y)_w(x, y) - пространственная корреляция.

Таким образом, пространственную корреляцию можно получить с помощью обратного преобразования Фурье, примененного к результатам умножения преобразования одной функции на сопряженное преобразование второй функции. Проведенные исследования показали, что в этом случае обнаружение фрагмента происходит намного быстрее.

Для обнаружения и анализа расположения ладонных линий используются алгоритмы выделения параметрических кривых на основе преобразования Хафа.

Преобразование Хафа основывается на представлении искомого объекта в виде параметрического уравнения. Параметры этого уравнения представляют фазовое пространство (т.н. аккумуляторный массив/пространство, пространство Хафа). Если F(и, x, y) = 0 семейство параметрически заданных кривых, где F - некоторая функция, и - вектор параметров семейства кривых, x, y - координаты точек изображения, то каждое значение ц определяет одну кривую, а все множество значений и образует фазовое пространство И кривых данного семейства. Прямую на плоскости можно представить: x*cos(и) + y*sin(и) = с, где с - длина перпендикуляра опущенного на прямую из начала координат, и - угол между перпендикуляром к прямой и осью OX, и находится в пределах от 0 до 2*PI, с ограничено размерами входного изображения.

Через каждую точку (x, y) изображения можно провести несколько прямых с разными с и и, то есть каждой точке (x, y) изображения соответствует набор точек в фазовом пространстве (с, и), образующий синусоиду.

Также каждой точке (с0, и0) пространства (с, и) можно поставить в соответствие счетчик, соответствующий количеству точек (x, y), лежащих на прямой.

Теперь непрерывное фазовое пространство нужно перевести в дискретное, введя сетку на пространстве (с, и), одной ячейке которой соответствует набор прямых, с близкими значениями с и и - x*cos(и0) + y*sin(и0) = с0. Для определения ладонных линий берётся двоичное изображениеf(x, y). Перебираются все точки границ и делается предположение, что точка принадлежит линии искомого объекта. Таким образом, для каждой точки изображения рассчитывается нужное уравнение и получаются необходимые параметры, которые сохраняются в пространстве Хафа. Финальным шагом является обход пространства Хафа и выбор максимальных значений, за которые «проголосовало» больше всего пикселей изображения f(x, y). Это даёт нам параметры для уравнений искомого объекта

В силу конечного объема памяти и дискретного машинного представления мы не можем рассматривать каждое значение и в отдельности, поэтому фазовое пространство И разбивается на ячейки, для чего вводится регулярная сетка с заданным шагом дискретизации. Каждой ячейке ставится в соответствие счетчик. Набор всех счетчиков называется аккумулятором. Любая ячейка задаёт множество кривых, а значение счетчика ячейки определяется количеством точек из облака X, лежащих хотя бы на одной из этих кривых. Тогда если все точки из X лежали на одной кривой с параметром и0, то в соответствующей ячейке значение счетчика будет максимально. Базовый алгоритм выделения кривых состоит из следующих шагов: а) выбор сетки дискретизации; б) заполнение аккумулятора (матрицы счетчика); в). Анализ аккумулятора (поиск пиков - в матрице аккумулятора ищется счетчик с максимальным значением; г) выделение кривой, поскольку каждая ячейка аккумулятора есть значение фазового пространства, а значит, она задает некоторую (искомую) кривую; д) для точек выделенной кривой считается временный аккумулятор и поточечно вычитается из основного; е) переход на шаг в). Поскольку некоторые лаладонные линии значительно отклоняются от прямой линии потребоваться уточнение кривой. Для этого используется обобщенное преобразование Хафа. Сложность алгоритма напрямую зависит от первого шага и составляет O(N*M), где N - количество точек, M - количество ячеек аккумулятора.

В третьей главе рассмотрены алгоритмы диагностики предрасположен-ности к заболеванию и исследована их эффективность. Эти алгоритмы основаны на статистических методах многомерной классификации. Определенные в процессе обработки изображения значения вектора дескрипторов ж являются классификационными признаками, на которых строится определение предрасположенности пациента к заболеванию сахарным диабетом. Для классификации используется байесовский подход. В соответствии с теоремой Байеса равенство

справедливо для любого распределения случайной величины ж.

Байесовская процедура классификации состоит в отнесении вектора наблюдений ж к Ш1, если

и к Ш2, если

,

где qi - априорная вероятность того, что индивидуум принадлежит к популяции Шi, i = 1, 2 (предполагается, что сумма априорных вероятностей q1 + q2 равна 1);

Р(ж|Шi) условная вероятность получения некоторого вектора наблюдений ж, если известно, что объект принадлежит к популяции Шi. Величины Р(Ш1|ж) и Р(Ш2|ж) являются апостериорными вероятностями. Поскольку многослойный классификатор персептронного типа, обученный по алгоритму обратного распространения на конечном множестве независимых и равномерно распределенных примеров, обеспечивает ассимптотическую аппроксимацию соответствующей апостериорной вероятности класса, в качестве классификатора была использована нейронная сеть. Архитектура нейронной сети включала один входной слой, один скрытый и один нейрон в выходном слое. В качестве функции активации в скрытом и выходном слое использовалась логистическая функция вида:

.

Выбор числа нейронов в скрытом слое осуществлялся экспериментально. В начале обучения использовалось минимальное количестве скрытых нейронов. Затем число их последовательно увеличивалось вплоть до достижения требуемого уровня натренированности сети на исходном множестве обучающих выборок. Добавление нейронов, производилось по результатам оценивания способности сети к обобщению после определённого количества циклов обучения. Численные эксперименты показали, что погрешность обучения при увеличении количества итераций монотонно уменьшается, тогда как погрешность обобщения снижается только до определенного момента, после чего начинает расти. Таким образом, на способности сети к обобщению влияет и длительность обучения. В качестве компромиссного варианта была выбрана нейронная сеть с 100 нейронами внутреннего слоя и функция активации внутреннего и выходного слоя lognsig. На рис. 1 представлены результаты обучения нейронной сети. Проверка качества обучения осуществлялась на основе вычисления среднеквадратической ошибки (SSE). Для вычисления якобиана критерия качества обучения по переменным весам и смещениям использовался метод обратного распространения ошибки. Каждая настраиваемая переменная корректировалась в соответствие с методом Левенберга-Маркварда.

Рис. 1. Результат обучения нейронной сети

дерматоглифика нейронный диагностика диабет

Применение обученной сети на тестовых примерах показало, что вероятность правильной классификации составила 84,47%, а среднеквадратическая ошибка - 0,243.

Достоинство предложенного подхода заключается в том, что не нужно строить дополнительных предположений относительно условных вероятностей. Применение для обучения метода Левенберга-Маркварда показало, что этот метод требует больших аппаратных ресурсов. При их отсутствии можно воспользоваться менее точными методами, но они и менее требовательны к ресурсам.

В главе также рассматриваются вопросы определения оптимальной численности обучающей выборки. Предложена итерационная процедура формирования обучающей выборки, основанная на уменьшении исходной выборки в працессе обучения.

В четвертой главе рассмотрены вопросы практического применения результатов диссертационной работы для организации медико-генетического анализа, а также даны оценки эффективности предложенных алгоритмов для распознавания предрасположенности к заболеванию сахарным диабетом.

Рассмотренные во второй и третьей главах модели и алгоритмы обработкы дерматоглифических изображений, получения дескрипторов и клас-сфикации заболевания составляют основу информационной системы (рис.2), предназначенной для автоматизации дерматоглифических исследований и выявления наследственной предрасположенности пациента к заболеванию сахарным диабетом.

Данная система реализует описанные выше методы компьютерной обработки изображений и имеет модульную структуру. Модули предваритель-ной обработки и распознавания изображений реализуют следующие функции:

- определение качества изображения и его корректировка;

- бинаризация изображения;

- ориентация изображения и его нормализация;

- морфологический анализ и выделение отдельных элементов изображения (ладонных линий);

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Рис.2. Структура информационной системы обработки дерматоглифических изображений и ранней диагностики сахарного диабета

- истончение (скелетизация) изображения для определения количест-венных показателей, таких как гребневый счет;

- согласованная фильтрация на основе Фурье-преобразования для выделения фрагментов изображения на основе масок.

Последовательность обработки изображений определяется сценарием дерматоглифического анализа и управляется программой - супервизором, составляющей ядро информационно система. Модули обработки изображения, формирования дескрипторов и диагностики подключаются последовательно по мере выполнения алгоритма анализа. Кроме того, система содержит вспомогательные модули, обеспечивающие управление выполнением заданий, описание сценариев обработки, визуализации данных, модуль обрабатывающий некоторые возникающие ошибки. Этап обработки изображений заканчивается генерацией классификационных признаков, на основе которых делается вывод о предрасположенности пациента к заболеванию сахарным диабетом. Значения классификационных признаков передаются в модуль-классификатор для дальнейшей обработки и формирования заключения. База данных системы содержит сведения о пациентах и цифровые изображения отпечатков ладоней правой и левой руки, а также цифровые изображения эталонов (масок), необходимых для поиска необходимых фрагментов.

Для обеспечения качества исходных изображений сформулированы требования, предъявляемые к устройствам их регистрации, определяемые физическими и структурными свойствами объектов регистрации. Эти требования относятся к размерам изображения, пространственному разрешению и контрасту.

Для исследования эффективности разработанных алгоритмов распознавания дерматоглифических изображений и ранней диагностики предрасположенности к заболеванию сахарным диабетом первого и второго типа, была сделана выборка из 120 больных наследственной формой сахарного диабета (69 больных сахарным диабетом первого типа и 51 больной сахарным диабетом второго типа) из нейрохирургического диспансера г.Сана (Йемен) полученную с февраля 2010 по апрель 2011 года, и сравниваем её с выборкой из 120 человек без врождённых пороков развития. Определялась вероятностей правильной классификации дерматоглифических признаков.Для этого использовались статистические методы обработки статистических данных путем подсчёта соотношения автоматически опредленных значений дерматоглифических признаков, опредленных визуально.

Частота правильной классификации признаков составляет 90% - 98% в зависмости от вида ладонного узора.

Для оценки качества автоматической диагностики предрасположности к сахарному диабету было проведено исследование доли правильных диагнозов состояния пациента к их общему числу без разделения по видам заболевания, а также отдельно по группам больных сахарным диабетом первого и второго типа.В первом случае частота ошибочной классификации составила 15%, во втором 14,7% для сахарного диабета первого типа и 16% для сахарного диабета второго типа.

Выполненная апробация разработанного прототипа на реальных данных показала эффективность и целесообразность применения разработанной программной системы для ранней диагностик предрасположности к сахарному диабету первого и второго типа, что позволяет рекомендовать полученные технические и алгоритмические решениия для практического использования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для проектирования и разработки программно-технических комплексов обработки цифровых изображений для ранней диагностики наследственной предрасположенности к заболеванию сахарным диабетом первого и второго типа. В диссертационной работе получены следующие основные результаты.

Разработан алгоритм определения комплекса дематоглифических параметров пальцевых узоров, основанный на корреляционном сопоставлении исходного изображения и эталона (маски) в частотной области на основе двухмерного дискретного преобразования Фурье. Использование этого алгоритма позволяет существенно сократить вычислительные затраты при описании дескрипторов пальцевых узоров и последующей обработки в системе распознавания образов.

Разработан алгоритм обнаружения и анализа расположения ладонных линий на основе преобразования Хафа, позволяющий сформировать дополнительные дескрипторы для повышения эффективности диагностики сахарного диабета по методу дерматоглифики.

Разработан алгоритм диагностики сахарного диабета по методу дерматоглифики на основе байесовского классификатора и нейронной сети, обеспечивающий высокое качество распознавания.

Разработана система обработки изображений, предназначенная для автоматизации дерматоглифичских исследований и выявления предрасположенности пациента к заболеванию сахарным диабетом, позволяющая снизить затраты времени на проведение дерматоглифического обследования и повысить достоверность диагноза.

Проведено экспериментальное исследование разработанных алгоритмов распознавания и диагностики предрасположенности к заболеванию сахарным диабетом первого и второго типа, подтвердившее их эффективность.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Научные работы в журналах из перечня ВАК РФ

Азази, А.А. Система обработки и распознавания изображений сложных кривых [Текст ] / А.А. Азази, Б.И. Марголис // Вестник Костромского государственного университета им. Н.А. Некрасова, Кострома: КГУ, 2011. Т.17, № 3, С.18 - 21.

Азази, А.А. Компьютерная обработка папиллярных изображений при диагностике сахарного диабета [Текст] / А.А. Азази, Г.А. Дмитриев, Н.А. Семенов // Программные продукты и системы, 2011. № 4. С.193 - 196.

Научные работы в других изданиях

Азази А.А. Системный анализ изображений при дерматоглифическом исследовании [Текст] / А.А. Азази, Г.А. Дмитриев // Вестник Костромского государственного университета им. Н.А. Некрасова, Кострома: КГУ, 2010. Т.16, №2, С. 37 - 39.

Азази А.А. Применение нейросетевых метолов при ранней диагностике наследственных заболеваний [Текст] / А.А. Азази // Сб. науч. трудов международной летней школы-семинара по искусственному интеллекту «Интеллектуальные системы и технологии: современное состояние и перспективы (ISyT'2011)». Тверь:ТГТУ, 2011. С.132 - 134.

Азази А.А. Применение методов компьютерной обработки изображений в системе ранней диагностики сахарного диабета [Текст] / А.А. Азази // Материалы XXIII Всерос. НТК “Биотехнические, медицинские и экологические системы и комплексы” (Биомедсистемы - 2010). Рязань, 2010. РГРТУ. С.187 - 191.

Азази А.А. Использование компьютерных технологий для ранней диагностики наследственных заболеваний [Текст] / А.А. Азази // Сб. статей V Международной науч. - практич. конф.Образование и здоровье. Экономические медицинские и социальные проблемы : Пенза, 2010. С.12 14.

Азази А.А. Пути повышения эффективности медицинских услуг на основе информационных технологий [Текст] / А.А. Азази//Сб. статей Международной науч.-практ. конф. «Сфера услуг: современные проблемы и тенденции развития» : Пенза, 2010. -С.51- 53.

Размещено на Allbest.ru


Подобные документы

  • Обзор существующего программного обеспечения для автоматизации выделения границ на изображении. Разработка математической модели обработки изображений и выделения контуров в оттенках серого и программного обеспечения для алгоритмов обработки изображений.

    дипломная работа [1,7 M], добавлен 27.03.2013

  • Изучение современных методик компьютерной обработки биомедицинских изображений с целью улучшения изображений для их наилучшего визуального восприятия врачом-диагностом и эффективного сжатия изображений – для надежного хранения и быстрой передачи данных.

    курсовая работа [2,3 M], добавлен 15.04.2019

  • Обработка изображений на современных вычислительных устройствах. Устройство и представление различных форматов изображений. Исследование алгоритмов обработки изображений на базе различных архитектур. Сжатие изображений на основе сверточных нейросетей.

    дипломная работа [6,1 M], добавлен 03.06.2022

  • Описание математических методов представления и обработки графических изображений. Описание разработанного программного дополнения. Описание функций и их атрибутов. Представление и обработка графических изображений. Результаты тестирования программы.

    курсовая работа [1,7 M], добавлен 27.01.2015

  • Выбор методов обработки и сегментации изображений. Математические основы примененных фильтров. Гистограмма яркости изображения. Программная реализация комплексного метода обработки изображений. Тестирование разработанного программного обеспечения.

    курсовая работа [1,3 M], добавлен 18.01.2017

  • История появления и основные понятия графического дизайна. Выявление главных преимуществ и недостатков недеструктивной обработки изображений. Сравнение деструктивной и недеструктивной обработки изображений. Сущность и особенности двухмерной графики.

    реферат [5,2 M], добавлен 05.05.2023

  • Цифровые рентгенографические системы. Методы автоматического анализа изображений в среде MatLab. Анализ рентгеновского изображения. Фильтрация, сегментация, улучшение изображений. Аппаратурные возможности предварительной нормализации изображений.

    курсовая работа [890,9 K], добавлен 07.12.2013

  • Общие сведения о графических редакторах, понятия компьютерной растровой и векторной графики, форматов. Обзор и сравнительный анализ современных программ обработки и просмотра графических изображений: Paint, Corel Draw, Adobe Photoshop, MS PowerPoint.

    дипломная работа [283,9 K], добавлен 09.08.2010

  • Изучение и программная реализация в среде Matlab методов обработки, анализа, фильтрации, сегментации и улучшения качества рентгеновских медицинских изображений. Цифровые рентгенографические системы. Разработка статически обоснованных алгоритмов.

    курсовая работа [4,7 M], добавлен 20.01.2016

  • Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.

    дипломная работа [1,8 M], добавлен 08.02.2017

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.