Автоматизированная система диагностики наследственных заболеваний методом дерматоглифики

Размещено на http://www.allbest.ru/

Автоматизированная система диагностики наследственных заболеваний методом дерматоглифики



В последнее столетие в связи с увеличением антропогенного влияния на окружающую среду и ухудшением экологической ситуации, отмечается резкий рост наследственных болезней в структуре заболеваемости населения земли.

Генетические факторы пороков развития отражают так называемый общий генетический груз популяции, который проявляется более чем у 5% населения планеты. Примерно 1% генетического груза приходится на генные мутации, 0,5% - хромосомные мутации, около 3-3,5% соответствует болезням с наследственной предрасположеностью (диабет, атеросклероз, ишемическая болезнь сердца, эпилепсия, шизофрения, некоторые опухоли и т.д.). Около 40-50% ранней младенческой (перинатальной) смертности и инвалидности с детства обусловлены наследственными факторами и примерно 30% коек в детских стационарах заняты детьми с наследственной патологией, анализ вышеизложенного показывает безусловную необходимость правильной и рационально организованной ранней диагностики врожденных и наследственных болезней. В связи с этим всё более актуальными становятся исследования патологий, связанные с изучением генотипа и кариотипа. Одним из таких методов является дерматоглифика.

Дерматоглифическое исследование составляет необходимую часть клинического осмотра при проведении медико-генетического консультирования. Особенно важен дерматоглифический анализ при подозрении на наличие патологии неизвестной природы или тератогенного воздействия. Наиболее иллюстративна диагностическая значимость дерматоглифики при хромосомной патологии, так, например, использование восьми признаков дермальной кожи достаточно для уверенной диагностики болезни Дауна у 95% пациентов с этой патологией (S.B. Holt, 1968; И.С.Гусева, Н.С. Казей, 1974, 1975, Н.Н. Багданов 1997 и др.) Диагностическая значимость дерматоглифики демонстративна при определенных нарушениях морфогенеза головного мозга, которые отмечаются как при хромосомных заболеваниях, так и при ряде моногенных и полигенных заболеваний. Это наглядно демонстрируется чрезвычайно характерным дерматоглифическим рисунком при синдромах Рубинштейна-Тейби и деЛанге, которые сопровождаются врожденными пороками головного мозга. Эпилепсия, тяжёлое и распространённое неврологическое заболевание, наряду с определёнными патологическими признаками гребешковой кожи, отличается высоким удельным весом дуговых узоров (Р.А. Харитонов, А.И. Козлова 1985; Н.Н. Богданов 1999). В то же время у больных с нервно психологическими расстройствами Т.А.Евдокимова с соавторами(1998) отмечает достоверную связь нарушения нервно психической адаптации по типу депрессии по количеству завитковых узоров, суммарным гребневым счётом и Д10.

Возможность раннего распознавания и прогностической оценки фенотипических проявлений генотипа - одна из ведущих составляющих оптимизации жизнедеятельности человека: профилактики заболеваний и выбора средств и методов лечения. В перспективе, на ряду с основными идентификационными методами, разрешающая способность метода дерматоглифики может стать более эффективной и значимой (Звягин, 2002)

Таким образом, разработка объективной системы диагностики наследственных заболеваний по методу дерматоглифики является актуальной научно-технической задачей

Целью диссертационной работы является повышение эффективности ранней диагностики наследственных заболеваний путем создания автоматизированной системы диагностики по методу дерматоглифики.

Для достижения поставленной цели в диссертации необходимо решить следующие задачи:

- провести анализ использования метода дерматоглифики для диагностики заболеваний с наследственной предрасположенностью на примере эпилепсии;

- разработать систему диагностических критериев предрасположенности эпилепсии для компьютерного анализа дерматоглифических отпечатков;

- осуществить анализ существующих систем и алгоритмов обработки текстурных изображений на примере дермальных отпечатков;

- разработать статистическую модель оценки параметров и рассчитанных коэффициентов на основе метода дерматоглифики;

- создать новые эффективные алгоритмоы обработки, коррекции и распознавания изображений папиллярного рисунка;

- провести сравнительное экспериментальное исследование отпечатков дистальных фаланг пальцев здоровых и больных пациентов.

Методы исследования. В работе использовались методы теории вероятностей и математической статистики, методы искусственного интеллекта, методы цифровой обработки изображений, теории искусственных нейронных сетей.

Научная новизна диссертации состоит в следующем:

- произведён анализ накопленных знаний в области наследственных форм эпилепсии с обследованием выборки контрольной группы больных и здоровых людей;

- выявлены определяющие диагностические признаки ладонных рисунков для наследственной формы эпилепсии;

- произведён статистический анализ полученных результатов с расчетом пяти коэффициентов и предложена методика распознавания папиллярных рисунков.

Практическая ценность работы:

- созданы алгоритмы решения задач распознавания сложной текстуры отпечатков пальцев и ладонной поверхности;

- изучены диагностические признаки эпилепсии для дистальных фаланг пальцев и ладонной поверхности;

- создана система диагностики наследственной формы эпилепсии по методу дерматоглифики, и подтверждена его эффективность и возможность дальнейшего использования в вопросах развития дерматоглифических исследований.

Внедрение результатов. Результаты исследований, включающие “Автоматизированную систему диагностики наследственных заболеваний методом дерматоглифики” и методическое обеспечение к нему, переданы в психоневрологический диспансер г. Твери и на кафедру биологии и генетики Тверской государственной медицинской академии.

Апробация результатов работы. Научные и практические результаты диссертационной работы докладывались и обсуждались в 2003-2006 годах на научных конференциях преподавателей и сотрудников ТГТУ, на Всероссийской научно-технической конференции студентов, молодых учёных и специалистов, РГРТА-2003

Научные положения, выносимые на защиту:

1. Результаты анализа изучения диагностических признаков дерматоглифики наследственной формы эпилепсии на основании проведённого экспериментального исследования.

2. Методика построения статистической модели для аналитических исследований наследования врожденных пороков развития (ВПР).

3. Методика обработки, коррекции текстурной информации на основании алгоритмов, фильтров и т.п.

4. Авторская программа автоматического распознавания отпечатков пальцев и расчёт основных параметров для диагностики отклонений дерматоглифики пробанда.

5. Компьютерная медицинская система для поддержки экспериментальных исследований наследственной формы эпилепсии по дерматоглифике дистальных фаланг пальцев и ладонной поверхности.

Публикации. По теме диссертации опубликовано 7 научных работ, из них - 6 статей, 1 работа - в трудах всероссийской научно-технической конференции.

Структура и объем работы. Диссертация состоит из введения, четырёх глав, заключения, списка литературы, включающего 154 наименования, и одного приложения. Основная часть работы изложена на 144 страницах машинописного текста. Работа содержит 33 рисунка и 6 таблиц в приложении.

Во введении обоснована актуальность темы диссертационной работы, сформулированы цель и задачи исследований, приводится краткое содержание работы по главам.

В первой главе диссертации на основании схем Г. Харриса, Ф. Фогеля и А. Мутульски дается представление о соотносительной роли генетических факторов и факторов среды, участвующих в возникновении и развитии мультифакториальных заболеваний (МФЗ). Освещены цели геномных исследований, картирование и секвенирование как наиболее важные и трудоемкие части всех геномных исследований. Рассмотрены методы пренатальной диагностики, неинвазивные непрямые и прямые инвазивные, даны статистические выкладки для наиболее удобной диагностики хромосомных болезней у плода по времени развития.

Рис.1. A, L, W- петли, завитки и дуги



На основании изученного материала, исследований И.С.Гусевой, произведен выбор метода дерматоглифики как способ экспресс-диагностики наследственных заболеваний, который после сравнительного анализа с другими методами показал свою эффективность и экономичность. Известно, что дерматоглифика входит в состав медико-генетического обследования как наиболее доступный ориентировочный метод, пригодный для осмотра больших групп людей, позволяющий установить, а иногда заподозрить наличие хромосомных аббераций. Для работы взята основная классификация Гальтона и выделены рисунки папиллярных линий трёх основных конфигураций: дуги (А), петли (L), завитки (W), по которым видны особенности наследования пальцевых узоров.

По совокупности результатов этих исследований можно сделать заключение о высоком удельном весе наследственной компоненты в формировании дерматоглифических структур, о разной наследуемости различных деталей рельефа и о некоторых особенностях их наследственного осуществления.

Эпилепсия проявляется в популяции человечества в 2-4%, наибольшую опасность она представляет в детском возрасте. Фебрильные судороги (ФC) составляют до 85% всех судорожных синдромов, наблюдаемых у детей. Врачи всегда предполагали наличие скрытой генетической предрасположенности к пароксизмальным состояниям у ребенка, если повышение температуры вызывает ФС. Отмечено, что мальчики болеют в четыре раза чаще, чем девочки. Высказаны предположения об аутосомно-доминантном или аутосомном-рецессивном наследовании ФС, но не исключается и полигенное или мультифакториальное наследование. В первой главе, для эпилепсии даны диагностические критерии дерматоглифики на основании результатов собственных расчётов пяти коэффициентов. Сбор дерматоглифических материалов для исследования осуществлялся из выборки 120 больных наследственной формой эпилепсии, состоящих на учёте в психоневрологическом диспансере г. Твери, с последующим сравнением с выборкой из 120 здоровых людей.

Были приняты пять основных диагностических критериев дерматоглифики для предрасположенности к эпилепсии:

1 - тип узора; 2 - ориентация узора; 3 - гребневой счет; 4 - флексорные борозды; 5 - угол atd.

Анализ современных методов получения папиллярного рисунка показал, что метод типографической краски является широко используемым, но все же далек от совершенства. В представленной схеме работы системы, методика по оцифровке полученных отпечатков, позволит им хранится в базе данных неограниченное время. Использование сканеров и последующая оцифровка изображений позволяет избежать фоновых эффектов, вызванных неравномерным нанесением окрашиваемого вещества, структурой поверхности бумаги, линейных дефектов, смазанности и неравномерного угасания изображения. Знания по различным болезням и предрасположенности к ним будут дополнятся, что позволит проводить расширенные исследования во многих областях медицинских наук. Процесс получения, распознавания и выделения диагностических критериев в десятки раз облегчит, ускорит работу медицинского работника и повысит её качество.

Поставлены задачи и основные этапы работы исследования.

Во второй главе рассматриваются методы и алгоритмы цифровой обработки изображений, используемых для формирования диагностических признаков. На основании проведенного анализа отпечатков пальцев и ладоней были выявлены следующие типы дефектов (искажений) изображения:

- дефекты, вызванные несовершенством регистрирующего оборудования и к источникам искажений в этом случае является аддитивный шум с равномерным распределением;

- линейные дефекты в виде тонких полос проходящих через отпечаток;

- дефекты, определяемые неравномерной яркостью и контрастностью изображений;

- точечные дефекты изображения в виде мелких пятен;

- пространственные дефекты.

Для устранения аддитивных шумов были использованы пространственные методы восстановления изображения, основанные на прямом манипулировании элементами изображения. Процессы пространственной обработки описываются уравнением

g(x, y) = T[f(x, y)],

диагностика автоматизированный дерматоглифика

где f(x, y) - входное изображение, g(x, y) - обработанное изображение, T - оператор над f, определенный в некоторой окрестности точки (x,y).

Для устранения аддитивных шумов была использована функция градационного преобразования вида.

s=T(e)

Были исследованы различные виды градационного преобразования - логарифмическое, степенное, кусочно-линейные. Наилучшие результаты были получены при использовании пороговой функции градационного преобразования. Алгоритм устранения подобных шумов состоит из следующих шагов:

1 - определяется пороговое значение m;

2 - последовательно считываются пиксели исходного изображения и определяется их яркость;

3 - значение яркости в текущей точке e сравнивается с пороговым - m;

4 - с помощью пороговой функции градационного преобразования переменная s принимает одно из двух значений, соответствующих крайним значениям яркости.

Для устранения дефектов, определяемых неравномерностью яркости и контрастности изображения, также были использованы методы пространственной фильтрации изображения. Такие методы учитывают и наличие шума.

Коррекция яркости и контрастности образца и изображения означает, что необходимо некоторые константы k_R, k_G, k_B и h_R, h_G h_B для того, чтобы получить новое (скорректированное) изображение S" = (S"_R ,S"_G,S"_B), где

, , .

Здесь S_R ,S_G, S_B - матрицы цветности модели RGB в формате truecolor.

Алгоритм нахождения констант, упомянутых выше, основан на том, что должны быть выполнены два условия:

· средние значения яркости S и S" должны совпадать;

· средние квадратичные отклонения от среднего значения яркости для S и S" должны совпадать.

Для распознавания объекта важно иметь четкое изображение без дополнительных полос и изогнутых линий. Для этого применяется алгоритм выделения линейных дефектов на фотоизображениях. Который состоит из следующих шагов:

· построение изображения 1_c (1_m);

· определение значений переменного порога Т_с(т){х, у) для бинаризации изображения 1_c (1_m);

· бинаризация изображения 1_c (1_m) и получение изображения B_c (B_m).

· задание эталона Q;

· формирование и обнуление параметрического пространства H(x,y,q)= 0.

· заполнение параметрического пространства H(x,y,q);

· получение из H(x,y,q) параметрического пространства интенсивностей: H_I (x, y)-max H (x, y, q);

· бинаризация изображения Н_I (х, у) с порогом Т' и получение оценки области определения дефекта;

Известно, что яркость точки пятна значительно отличается от яркости соседних точек, что не характерно для точек, принадлежащих области изображения.

Эта априорная информация используется при обнаружении пятен по разностному изображению:

,

где - абсолютная разность между средней яркостью точек, входящих в квадратную область kk с центром в точке (х,у) и средней яркостью точек, входящих в квадратную область ll с центром в точке (х,у) и не входящих в область kk. Средняя яркость квадратной области определяется по формуле

.

Мелкие пятна, искажающие одну точку изображения, отличаются повышенными значениями соответствующих точек изображения ; для других видов мелких пятен необходим анализ изображения .

Пороговая обработка изображений и позволяет с некоторой вероятностью относить выявленные точки к дефектным, если выполняется условие:

.

Однако выполнения этого условия не достаточно для отнесения соответствующих точек к дефектным, так как точки, лежащие на границах перепадов яркости, также могут причисляться к ним. Поэтому кроме соблюдения данного условия в алгоритме используется процедура анализа окрестностей соответствующих точек.

Решение о наличии пространственного дефекта в локальной области принимается, если средняя яркость точек внутри предполагаемой области отличается от средней яркости окружающих ее точек на величину, превышающую некоторое значение (порог). Если априорно известно, что поврежденные дефектом точки светлые, то для его выделения используется условие

М₁(х, у)-М_3l,(х, у)>Т,

где М_l(х, у) - среднее значение яркости квадратной локальной области со стороной l с центром в точке (х, у) изображения g(x, y). М_3l(х, у) определяет среднюю яркость предполагаемого площадного дефекта. Выделить локальный дефект можно, сравнивая яркость точек с величиной 3 СКО:

g(x,y)-M_l(x,y)>3у_l(x,y),

где у_l(х, у) - СКО яркости квадратной локальной области со стороной l с центром в точке (х, у) изображения g(x, y). Тогда выделение пространственного дефекта будет выполняться, соответственно, следующим образом:

,

Либо

.

Можно показать, что любое из этих условий можно заменить при определенных значениях p₁,p₂,p₃,p₄,p₅ условием

,

где p₁,p₂,p₃,p₄,p₅ - некоторые параметры.

Разработанные в данной главе алгоритмы направлены на улучшение исходных изображений. Это позволяет в дальнейшем при регистрации диагностических признаков уменьшить количество ошибок.

В третьей главе диссертации рассмотрены методы и алгоритмы классификации и диагностики наследственных болезней (НБ) и предрасположенностью к ним на данных дерматоглифики.

Рассматриваемая нами задача диагностики состоит в отнесении объекта к одной из k =2 популяций с биномиаль-ными распределениями. Нужно отнести пациента к одной из категорий больных в зависимости от проявления р симптомов. В общем случае требуется классифицировать объект на основе наличия или отсутствия р событий. Вычисляются априорные вероятности q₁ , ..., q_k, оценки апостериорной вероятности для каждого вновь поступающего пациента х = (x₁, ..., х_p)^T, используя выражение

Поскольку предположение о независимости симптомов на практике в большинстве случаев не выполняется, то, когда все q_i равны, для классификации используется процедура, которая для любой возможной комбинации симптомов вычисляет соответствующую долю объектов в каждой выборке. Новый объект, задаваемый комбинацией симптомов, относится к популяции, выборка из которой имеет наибольшую долю объектов с такой комбинацией.

Дискриминантный анализ как метод многомерной классификации выполняет разделение объектов на группы при наличии начальных представлений о характере групп. Эти начальные представления формализуются как выборки из общей совокупности объектов, причем каждая выборка относится к одному строго определенному классу (группе) объектов.

В качестве дискриминантной была использована линейная функция

Z = б₁X₁ + б₂X₂ + … + б_pX_p,

где X₁, Х₂, …, Х_p - значения признаков данного объекта; б₁, б₂, …, б_p - дискриминантные множители; p - число признаков. В результате проведения дискриминантного анализа на основе имеющихся статистических данных, получаем:

а) оценки коэффициентов дискриминантной функции а₁, ..., а_р;

b) значение дискриминантной функции z_il для каждого вектора наблюдений х_il , i = 1, 2, l = 1, ..., n;

с) выборочные средние ₁ и ₂;.

d) выборочное расстояние Махаланобиса D₂.

На основе этих показателей проводится диагностика НБ у поступающих больных.

В качестве альтернативы дискриминантному методу в данной главе также рассмотрено использование нейронных сетей в системе компьютерной диагностики заболеваний. Исходным образом является данные дерматоглифики, который рассматривается как двумерная функция f(x, y), где x и y - координаты в пространстве, а значение f в любой точке (x, y), определяет интенсивность или яркость изображения в этой точке. Координатное описание контура представляется комплексным числом

z(n) = x(n) + iy(n),

где n - номер очередной пары координат, описывающих образ. Для их обработки будем использовать дискретное преобразование Фурье в виде

для k = 1, 2, …, M - 1, где M означает количество точек описания структуры. Отдельные компоненты преобразования Фурье образуют вектор F.

F = [F0, F1, …, FM - 1].

Этот вектор также определяет структуру образа, но в другом пространстве параметров. Компоненты этого описания позволяют легко преобразовывать данные независимо от их положения, масштаба, угла поворота, а также от выбранной начальной точки и их количества. Знание составляющих вектора F достаточно для полного восстановления формы кривой с помощью обратного преобразования Фурье. Сигналы в виде последовательности компонент дескрипторов Фурье после преобразования, обеспечивающего инвариантность к перемещению, повороту и масштабированию, становятся входными сигналами для многослойной нейронной сети, играющей роль системы распознавания образов и одновременно выполняющей их классификацию. Количество входных узлов сети равно количеству дескрипторов Фурье, учитываемых при классификации.

Для распознавания образа использовалась нейронная сеть с прямой передачей сигнала и обратным распространением ошибки, имеющая сигмоидальную функцию активации, а также радиальные нейронные сети.

Гладкость, непрерывность функции -- важные положительные качества. Непрерывность первой производной позволяет обучать сеть градиентными методами. Функция симметрична относительно точки (n=0, logsig(n)=1/2), это делает равноправными значения n=0 и n=1, что существенно в работе сети. Данная функция -- сжимающая, т.е. для малых значений n - коэффициент передачи K=logsig(n)/n велик, для больших значений он снижается.

Для обучения нейронной сети использовались алгоритм градиентного спуска с возмущением GDM и алгоритм градиентного спуска GDA

Был рассмотрен вопрос формирования обучающей выборки (ОВ), от чего зависят время обучения нейронной сети (НС) и достоверность получаемых моделей.

С увеличением размерности задач, возлагаемых на интеллектуальные системы, повышение скорости и качества обучения НС приобретает все большее значение. Под сложностью ОВ подразумевается сложность ее аппроксимации нейронной сетью, которую для пары наборов (X;Y)i, (X;Y)j можно охарактеризовать следующим образом:

,

где X и Y - соответственно входные и выходные вектора.

Сложность воспроизведения всей ОВ может быть получена расчетом среднего или максимального и минимального значений Lij для всех пар наборов. Применение соотношения, в теории непрерывных функций называемого константой Липшица, с целью оценки обучающей возможности ОВ неоднократно обсуждалось в литературе и показало свою практическую применимость. Одним из способов снижения сложности ОВ является искусственное сближение выходных векторов для наборов, входные вектора которых находятся близко друг к другу. При этом выходной вектор набора k упрощенной выборки ОВ' рассчитывается как среднее выходных векторов наборов исходной выборки ОВ, взвешенное по функции от расстояния до входного вектора k-го набора (2):

Роль взвешивающей функции может выполнять функция от расстояния между входными векторами, удовлетворяющая следующим условиям:

1 - существовать и быть неотрицательной на всем множестве возможных значений расстояния;

2 - убывать с увеличением расстояния;

3 - в зависимости от некоторого параметра б изменять скорость убывания;

Таким образом, параметр б определяет «крутизну» взвешивающей функции и задает степень упрощения исходной выборки.

Одной из наиболее известных и широко применяемых функций, удовлетворяющих перечисленным условиям, является функция Гаусса, которая и использовалась в качестве взвешивающей в данной работе.

Для количественной оценки упрощения ОВ в процессе обучения НС использовались следующие величины:

д(ОВ'; ОВ) - отклонение упрощенной выборки от исходной;

д(НС; ОВ') - ошибка НС на упрощенной выборке ОВ';

д(НС; ОВ) - ошибка НС, обученной на упрощенной выборке, рассчитанная для исходной выборки ОВ.

Пусть эти величины определены как среднее расстояние между выходными векторами в выбранной метрике. Тогда имеет место неравенство:

д (ОВ?;ОВ) +д (НС;ОВ?) ?д (НС;ОВ)

Это позволит воспользоваться левой частью неравенства в качестве критерия остановки обучения, а не тратить время на дополнительный расчет д(НС; ОВ).

Вместе с тем, нет необходимости обучаться на ОВ' с точностью, большей точности самой ОВ'. Следовательно, должно выполняться соотношение:

(ОВ?;ОВ) ?д (НС;ОВ?)



Учитывая эти два соотношения был предложен следующий алгоритм обучения НС:

1. Задается начальное значение параметра упрощения.

2. Формируется упрощенная выборка ОВ' и рассчитывается д(ОВ'; ОВ).

3. Производится обучение НС выборке ОВ' до тех пор, пока не выполнится одно из условий:

a) д (ОВ?; ОВ) +д (НС; ОВ?) ? ддоп , где ддоп - допустимая ошибка, определяемая требуемой точностью решения задачи. Выполнение условия означает окончание обучения.

b) д (ОВ?; ОВ) ?д (НС; ОВ?) . При выполнении - уменьшение параметра б и переход на шаг 2.

Данный алгоритм позволяет изменить процесс обучения так, что в начале НС будет обучаться основным тенденциям и закономерностям, несколько теряя в точности, но зато не повторяя возможно присутствующий в исходной выборке шум. По мере усложнения выборка ОВ' будет приближаться к исходной и, в конечном итоге, либо повторит ее, либо обеспечит достаточную точность решения задачи, что для НС будет означать финальный этап обучения.

Следует отметить, что реализация обучения НС по предложенному алгоритму несколько усложняет процесс обучения и может потребовать дополнительных затрат. Однако, используя некоторые особенности задачи, быстродействие можно повысить, сохранив преимущество в скорости обучения. Отметим возможные пути ускорения алгоритма:

1. В начале процесса обучения, когда параметр б велик, нет необходимости учитывать все наборы для расчета усредненного значения, достаточно выполнить расчет для некоторого количества наборов, отобранных по методу Монте-Карло.

2. При малом значении б с увеличением расстояния взвешивающая функция быстро стремится к нулю. Поэтому при расчете значений выходного вектора набора упрощенной выборки можно пренебречь вкладом наборов, удаленных от него.

3. Для выборок большого размера п.1 и п.2 могут одновременно иметь место.

Кроме того, благодаря независимости процессов обучения НС и упрощения ОВ, кардинальным решением проблемы повышения быстродействия может быть их распараллеливание.

В четвертой главе рассмотрены вопросы создания и практического применения автоматизированной системы диагностики.

Рис.2. Схема взаимодействия основных компонент автоматизированной системы диагностики ВПР

Изображение рассматривается как двумерная функция f(x, y), где x и y - координаты в пространстве, а значение f в любой точке (x, y), определяет интенсивность или яркость изображения в этой точке. Растровая картинка формируется элементами изображения - пикселами. Пусть Z - множество целых положительных чисел и (x, y)є Z². Тогда значения яркостей в каждой точке x = i, y = j, a_ij = f(x = i, y = j) образуют матрицу яркостей nxm пикселов, где n - число столбцов, а m - число строк. Поскольку уровни яркостей изображения квантуются, a_ij принимает значения из множества Z. Число градаций интенсивности L выбирается равным целочисленной степени двойки:

L = 2^k

В форматах графических файлов соответствующие RGB - компоненты хранятся как 8 - и 16 - битовые целые числа

В этом случае матрица свойства имеет размерность mxn и каждый ее элемент представляет целое число в диапазоне от 0 до 255. Это число является индексом, указывающим на цветовую палитру RGB (colormap).

Алгоритм пространственной корректировки включает следующие шаги

>> B=X([234:250],[121:131])

>> C(1:17,1:11)=128

>> V=double(B)

>> E=double(C)

>> Z=V-E

>> zero_location=find(Z<0);

>> one_location=find(Z>0);

>> Z(zero_location)=0;

>> Z(one_location)=255;

>> Z=uint8(Z)

На рис. 3 показан увеличенный фрагмент изображения отпечатка пальца, а на рис. 4 - значения элементов матрицы A, соответствующей модели RGB в формате indexed.



Наша задача сводится к тому, чтобы определить, к какому из двух классов, относятся все остальные объекты совокупности, а именно болен индивид или здоров.

Для исследования мы берём выборку из 120 больных наследственной формой эпилепсии из психоневрологического диспансера, полученную с апреля 2005 по март 2006 года, и сравниваем её с выборкой из контрольной группы 120 человек здоровых людей. Для этого мы используем статистические методы путём количественного подсчёта и вычисления встречаемости эпилепсии, методы анализа и обработки текстурных изображений и разработанную модель анализа папиллярных линий. С этой целью мы используем основные диагностические критерии дерматоглифики для эпилепсии. После исследования мы осуществляем построение дискриминантной функции для диагностики предрасположенности к эпилепсии, заполняем по исходным данным таблицы в виде двоичного кода.

Основные результаты работы

1. В результате работы был проведен анализ использования метода дерматоглифики для диагностики наследственных заболеваний и предрасположенности к ним на примере эпилепсии.

2. Разработана система диагностических критериев эпилепсии для компьютерного анализа дерматоглифических отпечатков.

3. Осуществлен анализ существующих систем и алгоритмов обработки текстурных изображений на примере дермальных отпечатков.

4. Разработана статистическая модель оценки параметров и рассчитанных коэффициентов на основе метода дерматоглифики.

5. Созданы новые эффективные алгоритмы обработки, коррекции и распознавания изображений папиллярного рисунка, а именно алгоритмы:

- устранения шумов, вызванных работой регистрирующего оборудования при оцифровке изображения;

- согласования яркости и контрастности изображений и образцов, которые возникают вследствие различий характеристик копирующего оборудования;

- устранения линейных дефектов изображения, вызванных несовершенством технологии получения изображений;

- выделения точечных дефектов изображения, обусловленных несовершенством технологии получения изображений и условий их хранения;

выделения пространственных дефектов на изображениях;

- проведено сравнительное экспериментальное исследование отпечатков дистальных фаланг пальцев здоровых и больных людей.



Литература

диагностика автоматизированный дерматоглифика

1. Дмитриев А.В., Дмитриев Г.А., Григорьев Д.Г. Автоматизированная система мониторинга наследственных заболеваний в Тверской области. В сборнике научных трудов «Компьютерные технологии в управлении и диагностике» ТГТУ.- Тверь.- 2003.- С. 35-38.

2. Дмитриев А.В., Дмитриев Г.А. Врождённые пороки развития и методы их диагностики//В сборнике трудов научно-технической конференции студентов, аспирантов и молодых ученых.- Рязанская Государственная радиотехническая академия.- 2003.- С. 132-136.

3. Дмитриев А.В., Дмитриев Г.А. Использование MATLAB для чис-ленного представления растровых изображений//В сборнике научных тру-дов «Компьютерные технологии в управлении, медицине, образовании».- ТГТУ.- Тверь.- 2006.- С. 89-93.

4. Дмитриев А.В., Дмитриев Г.А. Использование нейронных сетей в системе компьютерной диагностике заболеваний//В сборнике научных тру-дов «Компьютерные технологии в управлении, медицине, образовании» ТГТУ Тверь, 2006- С. 112-116.

5. Дмитриев А.В., Ветров А.Н. Методы корректировки изображения при автоматизированной диагностике заболеваний//В сборнике «Медицинские информационные системы МИС-2006».- Таганрогский государственный радиотехнический университет. Таганрог.- 2006.- С 143-148.

6. Дмитриев А.В., Ветров А.Н. Распознавание дерматоглифических признаков на основе нейронных сетей//«Медицинские информационные системы МИС-2006». Таганрогский государственный радиотехнический университет.- Таганрог.- 2006.- С. 162-167.

Размещено на Allbest.ru

...