Обзор методов распознавания образов, используемых в медицинских диагностических системах

Размещено на http://www.allbest.ru/

Обзор методов распознавания образов, используемых в медицинских диагностических системах

Шеломенцева Инга Георгиевна

Аннотация

В статье приводится обзор методов распознавания образов в контексте их использования в медицинских диагностических системах, формулируются критерии для их сравнения и выполняется анализ наиболее характерных методов, описанных в русскоязычных источниках за последние 5 лет.

Ключевые слова: медицинские диагностические системы, методы распознавания образов, распознавание образов

Введение

В качестве основных проблем, встающих перед исследователями в области распознавания образов в медицине, можно выделить следующие: цветное или бинарное изображение используется для распознавания и каковы способы его получения, какой классификатор ИНС будет оптимальным, какова структура автоматизированной информационной системы распознавания и принципы ее функционирования, какие методы используются для фильтрации и сегментации изображения. Для решения вышеперечисленных вопросов был проанализирован опыт ряда ведущих исследователей в этой области.

Материалы и методы

В процессе исследования использовались такие общие методы научного познания, как метод анализа и метод сравнения. Для обзора методов, представленного в рассмотренных статьях, использовался табличный метод. В процессе анализа было рассмотрено порядка 59 источников, включающих в себя научные статьи, диссертации и авторефераты диссертаций, книги и научно-популярные статьи.

Рассмотрим наиболее характерные с точки зрения поставленных целей научные статьи. Источник [1] описывает алгоритмические решения, позволяющие обнаружить границу сегмента интересующей области при минимальной априорной информации о структуре изображения и высоком уровне помех, и описанию программного продукта, созданного на базе пакета Matlab и искусственных нейронных сетей. В качестве тестовых изображений авторы используют цветные медицинские изображения форменных элементов крови.

В источнике [3] описывается метод обработки цветных медицинских изображений на базе мультифрактального анализа. В статьях [2] и [4] приводятся методологические основы создания автоматизированных компьютерных технологий на примере анализа сложных биомедицинских изображений на базе методов компьютерного анализа яркостной, градиентной и текстурной информации изображения с использованием алгоритмов бинаризация по порогу, морфологической фильтрации, наращивания областей, создания активных контуров и деформированных шаблонов. медицинское изображение распознавание

Выбор для анализа именно этих научных трудов обусловлен тем, что они отражают основные задачи, методы и материалы будущей медицинской диагностической системы - обработка цветных изображений, принципы функционирования нейронных сетей, CAD системы.

В процессе анализа используемых методов были сформулированы критерии для их сравнения. Первый и основной критерий обработки изображений - результат. Методы, используемые в данном процессе можно разделить на две большие категории: методы, в которых как входными данными, так и результатом являются изображения; методы, где входные данные - изображения, а в результате работы выходными данными выступают признаки и атрибуты, выявленные на базе входных данных.

Вторым критерием сравнения методов определим точку приложения анализа - какой из параметров исходного изображения или его части (например, яркостная, цветовая, градиентная или текстурная информация) берется для последующей обработки.

Третий критерий сравнения - это применяемый алгоритм для обработки. Это может быть обученная нейронная сеть, опорный вектор, дискриминантный анализ, пороговая обработка и т.д.

Таблица 1. Обзор методов, используемых для распознавания медицинских изображений

Четвертый критерий сравнения рассматриваемых методов - исходный материал для обработки. В качестве такового определим критерий бинарности - является ли изображение цветным или полутоновым.

Результаты

Результат сравнения выбранных методов приведен в таблице 1. Среди выбранных методов два (алгоритм Собеля и алгоритм Канни) получают в качестве входных данных изображение и выдают в качестве выходных данных измененное изображение [5]. Три оставшихся метода в качестве результатов работы выдают набор вещественных чисел. Точка приложения анализа у всех методов разная - разрывность и интенсивность яркости, фрактальная размерность изображения, бинарный шаблон в виде массива точек и статистические данные. Также разные и алгоритмы обработки областей интересов. Три из пяти методов могут работать только с полутоновыми изображениями, что требует предварительной обработки изображения.

Дискуссия

Построение медицинских диагностических систем опирается на обработку медицинских изображений (цветных или черно-белых, распространенных графических форматов или стандарта dicom, обычных или микроскопических), базовые принципы функционирования CAD систем, выделение классификатора нейронных сетей с предварительной обработкой изображения с применением фильтрации и сегментации.

Анализируя таблицу 1, можно сделать вывод, что набор методов распознавания образов в медицине обширен и разнообразен. Чаще всего, на практике, исследователи строят систему CAD, опираясь не на один метод, а на их совокупность. Значительная часть задач требует для своего решения нетривиальной методологии, оригинальных моделей и алгоритмов: средств анализа сложных и гибридных изображений, распознавания образов и пр.

Поэтому зачастую перед исследователем стоит достаточное сложная задача провести выбор не одного метода из теории распознавания образов, а найти такую их совокупность, которая была бы оптимальна для решения задачи медицинской диагностики.

Библиографический список

1. Томакова, Р. А., Филист, С. А. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных функций среды MATLAB [Текст] / Р. А. Томакова, С. А. Филист // Вестник ЧитГУ. 2012. No 1 (80). С. 3-9

2. Система автоматизированного компьютерного анализа медицинских изображений [Текст] / Н. Э. Косых [и др.] // Информационные технологии и вычислительные системы, 2011. № 3. С. 51-56.

3. Бондаренко, А. Н. Нейросетевая классификация медицинских изображений на основе спектра размерностей Ренье [Текст] / А. Н. Бондаренко, А. В. Кацук // Сборник научных трудов НГТУ, 2005. № 1. С. 1-4

4. Компьютерный автоматизированный анализ сложных изображений ядерной медицины [Текст] / Н. Э. Косых [и др.] // Вестник ТОГУ. 2016. 1(40). С. 27-36

5. Стругайло, В. В. Обзор методов фильтрации и сегментации цифровых изображений / В. В. Стругайло // Наука и образование. 2012. №5. С. 270-281

Размещено на Allbest.ru