CC BY
49
УДК 681.518:004.93.1'
Москаленко В. В.1, Рижова А. С.2, Довбиш А. С.3
1Канд. техн. наук, старший викладач кафедри комп'ютерних наук Сумського державного ушверситету, Суми, УкраТна 2Астрант кафедри комп'ютерних наук Сумського державного ушверситету, Суми, УкраТна 3Д-р техн. наук, професор, завiдувач кафедри комп'ютерних наук Сумського державного у^верситету
1НТЕЛЕКТУАЛЬНА СИСТЕМА П1ДТРИМКИ ПРИЙНЯТТЯ Р1ШЕНЬ ДЛЯ ФУНКЦЮНАЛЬНОГО Д1АГНОСТУВАННЯ НА ГАММА-КАМЕР1
Пропонуеться метод шформацшного синтезу системи тдтримки прийняття ршень для радюнуклщно! дiагностики органiв людини при динамiчному обстеженнi на гамма-камера Як приклад розглянуто процес дiагностування функцiонального стану нирок. Розроблено алгоритм сегментаци сери сцинтиграм на основi iнформацiйно-екстремального кластер-аналiзу просторово-часових векторiв змши яскравостi пiкселiв та алгоритм шформацшно-екстремального машинного навчання для розпiзнавання функцюнального стану нирок за ренографiчною кривою. Розроблеш алгоритми грунтуються на адаптивному двшковому кодуваннi ознак розпiзнавання та оптим1заци геометричних параметрiв розбиття простору ознак на класи екшвалентносп в процес максим1заци шформадшнох спроможностi системи пщтримки прийняття рiшень. Запропоновано модифжащю iнформацiйного критерiю ефективностi машинного навчання, що е функцюна-лом вщ помилки другого роду та першо! достовiрностi. Аналiзуються результати роево! оптим1заци вирiшальних правил та показано результата автоматичное' сегментаци сцинтиграфiчних даних з метою видшення зон iнтересу i автоматично1 класифжаци ренограм для формування дiагностичного висновку. Потужнiсть алфавiту клаав функцiонального стану нирки становить три класи. Перший клас характеризуе нормальний стан без видимих порушень функци нирок. Другий клас характеризуе ураження нирково1 паренхiми. Третей клас характеризуе порушення уродинамiки. Зроблено висновок про достовiрнiсть отриманих вирiшальних правил.
Ключовi слова: сегментацiя, кластер-аналiз, iнформацiйно-екстремальна штелектуальна технологiя, алфавiт класiв, словник ознак, радюнуклщна дiагностика, гамма-камера, оптимiзацiя, роевi алгоритми.
НОМЕНКЛАТУРА
DICOM - Digital Imaging and Communications in Medicine;
КФЕ - критерш функцюнально! ефективностц 1Е1 - iнформацiйно-екстремальна iнтелектуальна; СППР - система пiдтримки прийняття ршень; C - кiлькiсть функцiональних статв органу людини, що дiагностуeться;
C - ваговий коефщент для формули шидкостi; C2 - ваговий коефщент для формули шидкостi; Djm - перша достсдартсть для класу Хm; D2 m - друга Достовiрнiсть; dm - кодовий радiус контейнера класу xm; Em - iнформацiйний критерш функцюнально! ефек-тивностi навчання СППР розтзнавати реалiзацi! класу xm;
Ge - робоча (допустима) область визначення функцi! КФЕ;
Gn - область допустимих значень кiлькостi охоплених контейнерами векторiв;
Gg - область допустимих значень параметра поля контрольних допусюв на значення ознак розтзнавання; M - потужнiсть алфавiту кламв розпiзнавання; m - номер поточного класу розтзнавання; N - кшьюсть пiкселiв сцинтиграфiчного знiмку; n - кшьюсть вектс^в, що вiдповiдають ткселям знiмку гамма-камери;
пс - кiлькiсть спостережень c -го функцiонального стану;
vmax,i - максимальне значення i-! ознаки в навчальнш
матрицi {v( j)};
w - константа прискорення;
xm - двiйковий еталонний вектор класу xm, Що виз© Москаленко В. В., Рижова А. С., Довбиш А. С., 2015 DOI 10.15588/1607-3274-2015-4-8
начае геометричний центр його гшерсферичного контейнера;
У11 - середне вибiркове значення г-1 ознаки в базовому клам Х[;
а т - помилка першого роду;
вт - помилка другого роду;
8шах - граничне значення ширини поля контрольних допускiв;
8у,г- - параметр ширини поля контрольних допусюв для г-1 ознаки класифiкатора зони спостереження;
8ф,г- - параметр ширини поля контрольних допусюв для г -I ознаки класифжатора функцiонального стану органу. ВСТУП
Радiонуклiднi дослiдження функцiонального стану внутршшх органiв людини характеризуються високою iнформативнiстю, неiнвазивнiстю та низьким промене-вим навантаженням [1]. При цьому гармонiчне поеднан-ня новацiй в обласл математичних алгоритмiв вiзуалi-заци дiагностичних даних та розробки сцинтиляцшних детекторiв забезпечують неперервний прогрес в данш областi. Однак, незважаючи на суттеве розширення об-сягу дiагностичних даних i можливостi !х вiзуального по-дання, остаточне прийняття ршень все ще залишаеться за лжарем, вiд професiйного рiвня якого залежить дос-товiрнiсть дiагностичного висновку [2].
Спостереження при радюнуклщнш дiагностицi е ба-гатовимiрними, а саме дослщження вiдбуваеться за дов-iльних початкових умов, тому одним iз перспективних напрямiв пiдвищення ефективностi дiагностичних систем даного типу е застосування iдей i методiв машинного навчання та розтзнавання образiв. Проте в умовах
незбалансованост та перетину кламв розтзнавання, що характерно для задач медично! дiагностики, традицiйнi бютчт та статистичнi пiдходи до аналiзу даних характе-ризуються не високою достовiрнiстю i вимагають знач-них обчислювальних ресурсiв [3]. На тдвищення ефек-тивностi машинного навчання спрямована шформацш-но-екстремальна iнтелектуальна технологiя (ГЕ1-технолопя), в якiй порогове кодування ознак дозволяв трансформувати простiр ознак за допомогою про-стих операцш порiвняння, а згладжуючий ефект логариф-мiчних iнформацiйних мiр забезпечуе високу узагаль-нюючу здатнiсть i достсдаршсть вирiшальних правил [4].
У статл розглядаеться задача iнформацiйного синтезу в рамках ГЕ1-технологл здатно! навчатися СППР для функцiонального обстеження нирок. При цьому для оп-тишзацп параметрiв функцiонування СППР запропоно-вано використовувати алгоритм рою частинок.
1 ПОСТАНОВКА ЗАДАЧ1
Нехай дано апрюрно некласифiкований набiр просто-рово-часових вектс^в одного динамiчного дослiдження
органiв {у(Л) \ Л = 1, п; 1 = 1, N} на гамма-камер^ та алфавит кламв {Т£ | к = 1, К }, що характеризуе тип зони спо-стереження. При цьому клас Т° е базовим i вщждадае зонi iнтересу. Для зони штересу задано алфавiт просто-рово-часових образiв { ф^ |с = 1, С }, що характеризуе функцiональний стан досл^жуваного органу людини i вiдповiдна апрюрно класифжована навчальна матриця
типу об'ект-властивють {уСЛ \ Л = 1, пс; I = 1, N; с = 1, С}. Клас ф е базовим i вщповщае функцiональному стану здорового органа. Вщома структура вектора параметрiв функцiонування СППР:
g =<8т,г,8ф,г,хт, ат >. (1)
При цьому задано там обмеження: ё(хт © хст ) > ёт, де ё(хт © хст) - кодова вiдстанi мiж двiйковим еталонним (усередненим) вектором класу Х'т та двiйковим еталонним вектором сусщнього до нього класу ХСт; 8т,1 е[0;8шах], 8ф,г- е [0;8Шах].
Необхщно в процесi навчання СППР визначити опти-мальнi значення координат вектора параметрiв функцю-
нування g * (1), що забезпечують максимальне значення усередненого за алфавiтом класiв розтзнавання шфор-мацiйного КФЕ СППР
- 1
M
E = T7 Zmax{Em }•
Mm=1 ge
Необхщно в робочому режим СППР прийняти ршен-ня про належшсть екзаменацшних реал1зацш до одного з клас1в алфав1ту зон спостереження {Т°} та про в^повщшсть екзаменацшних реал1зац1й, вщнесених до зони штересу T°, одному з кламв алфавпу функцюналь-них сташв д1агностованого органу {Ф°}.
2 ОГЛЯД Л1ТЕРАТУРИ
Ефектившсть автоматизовано! штерпретацп результата радюнуклщного дослщження багато в чому зале-жить вщ якост виконання сегментацп. У задачах сегментацп медичних зображень набули значного поширення методи порогово! сегментацп [5], методи, основаш на моделях, под1бних активному контуру [6], i модел1 «Snake» [7] та методи нарощування областей [8]. Однак у випадку сцинтиграфiчних зображень наявнiсть шуму, слабка контрастшсть i вiдсутнiсть стабiльних вiдмiннос-тей окремих областей обумовлюють невисоку ефек-тивнiсть даних пiдходiв i для покращення результатiв по-требують штерактивно! взаемодп з користувачем. Ос-таннiм часом активно дослiджуються алгоритми автоматично! сегментацп зображень, що основаш на щеях i методах машинного навчання та кластер-аналiзу В пращ [9] розглядаеться реалiзацiя алгоритмiв автоматично! сегментацп медичних зображень на основi алгоримв машинного навчання, де вказано про необхщшсть викори-стання великого обсягу навчальних зразюв i !х ретельно! розмiтки експертами. В працi [10] дослiджено викорис-тання методiв кластер-аналiзу для сегментацп зшмюв магнiто-резонансного обстеження, де вiдмiчено чут-ливiсть до вибору початкових параметрiв i невисоку опе-ратившсть вiдповiдних алгоритмiв.
Переважна бiльшiсть публжацш, пов'язаних з авто-матизацiею штерпретацп сцинтиграфiчних знiмкiв, при-св'яченi сегментацп зшмюв статичного дослщження, або сегментацп сумарного зображення iз серп кадрiв функ-цiонального обстеження [6, 7]. Однак в цьому випадку алгоритми сегментацп шнорують шформащю про дина-мiку проходження радiофармпрепарату i не дозволяють врахувати анатомофiзiологiчну мiнливiсть оргашв. Крiм того, традицiйнi методи машинного навчання не забезпечують високу достсдаршсть класифжацп функцюналь-ного стану зон штересу, оскшьки в умовах обмеженого обсягу навчальних вибiрок вони шнорують перетин класiв в простер ознак розпiзнавання [3, 9].
Таким чином, з метою усунення визначених недолiкiв перспективним е розробка штелектуально! СППР для функцiонального обстеження на гамма-камера яка б враховувала динамшу проходження фармпрепарату на етапi автоматично! сегментацп та забезпечувала високу достовiрнiсть рiшень в умовах обмеженого обсягу навчальних даних на етат розтзнавання функцюнального стану в зош iнтересу
3 МАТЕР1АЛИ ТА МЕТОДИ
З метою дослщження роздшьно! та сумарно! функщ-онально! здатностi нирок необхщно видiлити областi обох нирок i дослiдити кривi «актившсть-час». Для цього пiкселi матрицi гамма-камери з роздшьною здатнiстю 64х64 розглядаються як апрюрно некласифжована мно-жина векторiв-реалiзацiй обсягом п = 4096, яю необхщ-но автоматично роздшити на зони спостереження. Оск-шьки запис сцинтиграм здiйснюеться на протязi 20 хви-лин в режим два кадри / хвилина, то потужшсть словника ознак, якi беруть учать в класифiкацiйному аналiзi, ста-новить N = 40 . В даному експеримента потужнiсть ал-фавггу класiв при сегментацil сцинтиграми на зони спо-
стереження становить K — 3. Областi лiво! та право! нирок вважаються зонами iнтересу i вiдповiдають класу 71°. Клас T° вщповдае шшим кровонаповнюваним тканинам, а клас T° - клас зони, умовно прийнято! за фонов}'.
Для тдтримки лжарських рiшень криву-активностi в зот iнтересу необхiдно подати у виглядi вектора-реаль зацi! функцiонального стану органу та автоматично кла-сифiкувати. З щею метою за архiвними медичними зоб-раженнями i вiдповiдними експертними висновками лiкарiв було сформовано навчальну вибiрку класiв фун-кцiонального стану в зот лiво! нирки. Обсяг вибiрки кож -ного класу рiвний nc — 100. Потужтсть заданого алфав-iту класiв функцюнального стану нирки становить C — 3. При цьому клас Ф° вщповщае нормаль-ному функщо-
нуванню нирки, клас Ф° характеризуе ураження нирко-
во! паренхiми, клас Ф° - порушення уродинамiки.
Iнформацiйно-екстремальне машинне навчання по-лягае в трансформацi! апрюрно-нечитого простору пер-винних ознак розтзнавання в чпку еквiвалентнiсть класiв, контейнери яких вiдновлюються в радiальному базис вторинних ознак двiйкового простору Хеммшга [4]. Пе-рехiд до бшарного простору ознак здiйснюеться шляхом ж^вняння значень первинних ознак зi значеннями вер-хнього AB,i i нижнього Ah ,i контрольних допускiв:
АН,i = Уи ^Ф^, AB,i = У1,1 + 8Ф,1.
Базовий алгоритм шформацшно-екстремального машинного навчання [4] реалiзуе оптимiзацiю геомет-ричних параметрiв розбиття простору ознак. При цьому оптишзащя кодового радiусу dm гiперсферичного контейнера класу xm вщбуваеться в процесi знаходження максимуму шформацшного критерж в робочiй област визначення його функцi!
Em — ^ftax Em,
Gd
де Gd — {0,1,..., d < d(xm © xcm )} - множина радiусiв кон-центрованих гiперсфер, центр яких визначаеться вершиною xm 6 xm .
У випадку апрiорно некласифiковано! навчально!
матрищ {v(j) | j = 1, n; i = 1, N}, яку необх^но розбити на класи еквiвалентностi {T° \k = 1, K }, формування вир-iшальних правил запропоновано здшснювати в процесi iнформацiйно-екстремального кластер-аналiзу При цьому межi поля контрольних допусюв для i -! ознаки обчис-люеться за формулами:
АН, i = v
max,; 8T ,i
AS,i = vm
Розглянемо основт етапи реалiзацп базового алгоритму шформацшно-екстремально1 кластеризацп CLUSTERING_1 дiагностичних даних на K raacrepiB: 1. Формування множини двшкових векторiв
{z^^^ I j = 1, r }, що е потенцiйними початковими центрами контейнерiв, шляхом копiювання двшково1 матрицi
{x(j)}, видалення в нiй однакових вектс^в та сортування решти векторiв в порядку збшьшення кiлькостi одинич-них координат.
2. Формування початкових цет^в контейнерiв
{Xfc I к = 1, K} за правилом рiвномiрного збiльшення юлькост одиниць в центрах упорядкованого алфавпу
z(1), к = 1;
z(r'[k-1]/[K-1]),1 < к < K; z(r), к = K.
3. Кластер-аналiз двшково1 матрищ класу {x(j)} за
алгоритмом K-середтх [11], з використанням дистанцш-
но1 мiри Хеммiнга, та формування множини оптималь-
*
них центрiв кластерiв xm .
4. Оптимiзацiя радiуса контейнерiв здiйснюеться за
* —
ггерацшною процедурою dk = arg max {E(dk)}.
Gd oGn
5. Зупин.
Iтерацiйна процедура оптшшзацп впорядкованого вектора параметрiв поля контрольних допусюв < Sj,§2,..8;,..,8N-1,8N > для ознак розтзнавання реа-лiзуе механiзм адаптивного двшкового кодування ознак i полягае в максишзацп усередненого за алфавитом кламв ({Ф°} чи {Т¿}) шформацшного критерж E
(2)
<8; >= argmax<! max {E}
G8 I Gd oGe
Для оптишзацп вектора параметрiв полiв контрольних допусюв < 8г >, який впливае на функцюнальну ефек-тивнiсть СППР, запропоновано використовувати алгоритм рою частинок, осюльки вш дозволяе знайти гло-бальний максимум КФЕ, не потребуе початкових набли-жень i вiдрiзняеться простотою реалiзацп [11]. Завдяки випадковостi розподiлу частинок i !х хаотичностi в русi з'являеться дуже велика iмовiрнiсть знайти оптимальне ршення за декiлька iтерацiй. Елемент випадковосп в про-цесi пошуку забезпечуеться параметрами алгоритму, значення яких генеруються випадковим чином з задано-го дiапазону (0,1) у вщповщносп з нормальним законом розподшу £/(0,1).
Ефективнiсть кожно! частинки, тобто И близьюсть до глобального оптимуму, вимiрюеться за допомогою наперед визначеноI фгшес-функцп, роль яко! в даному випадку виконуе функцiя КФЕ. Кожна частинка збер^ае наступну iнформацiю: Р^ - поточна позищя ] ^ частинки; Vj - поточна швидкiсть частинки, Pbestj - краща персональна позищя частинки, що характеризуэться максималь-ним на поточний момент часу значенням фгшес-функцп. Крiм цього, з метою пошуку глобального екстремуму фггаес-функцп найкраща частинка шукаеться в усьому ро!, а И позицiя позначаться як Gbest. Якщо позначити 3[pj (к)] як значення фгшес-функцп для j ^ частинки на
xk =
k -й ггерацц, то HOßi значення найкращо! персонально! Pbest та глобально! Gbest позицш обчислюються за правилами:
Pbest,- (k +1) =
Pbest - (k) якщо J(P- (k +1)) < J(Pbest-(k)), P,- (k +1) якщо такте;
Gbest (k +1) = arg max{ J (Pbest- (k +1))} j .
На кожнш ггерацп алгоритму рою частинок i -та компонента швидкост V- i (k +1) та положення P- i (k +1)
j-1 частинки частинки оновлюеться i визначаються за формулами:
Vu (k +1) = wV-i (k) + сЛ, (k) * [Pbest-j (k) - P-i (k)] +
+ C2f2(k) * [Gbest - - P-i (k)], P-i (k +1) = P-i (k) + V-i (k +1),
де J\,i (k) = tf(0,1), (k) = tf(0,1).
Алгоритм рою частинок виконуе повторення обчис-лення нових позицiй i швидкостi частинок до тих тр, доки не буде досягнуто задане число iтерацiй чи до тих тр, доки прирют швидкостi не стане близький до нуля.
Як критерш ефективностi навчання класифжатора розпiзнавати клас Xm розглядаеться модифжащя шфор-мацшно! мiри Кульбака [5], яка е функцюналом вщ пер-шо! достовiрностi £>1 т та помилки другого роду ßm:
E =
Km -ßm
log2
1+ D1,m ßm
1 - D1,m - ßm
(3)
Робоча (допустима) область визначення функцп iнформацiйного критерда обмежена нерiвностями
Dhm >0,5, D2m = 1 -ßm >0,5.
Нормовану модифiкацiю критерiю (3) представимо у виглядi
(k)' E{k)
E (k) =±m_
En
(4)
де Emax - максимальне значення критерiю (3), розрахо-ване при: D1(jm) = 1 и ß<£) = 0.
У режимi екзамену рiшення про належтсть вектора-
реалiзацil х(-) одному з класiв алфавiту {Хт } приймаеть-ся шляхом обчислення геометрично! функцп належностi
= max{| m}, {m}
де |m - функцiя належностi вектора х(до контейнера класу Хт, обчислюеться за правилом:
d(x*m © x(-))
Im = 1 —
d„
де d(xm © x(-)) - кодова вiдстань вiд центра контейнера класу Xm до вектора х(-). 4ЕКСПЕРИМЕНТИ
Реалiзацiя алгоритму навчання СППР здiйснювалася за даними, що накопичен у cховищi медичних зображень кластерного комплексу в 1нститул сцинтиляцiйних матерiалiв НАН Укра1ни i представленi у формата DICOM [1]. На рис. 1 показано декшька кадрiв iз серп сцинтиграм динамiчного дослiдження нирок одного з пащенлв.
Кожен пiксель сцинтиграми характеризуеться станом лiчильника iмпульсiв (сцинтиляцш) у вiдповiднiй коор-динатi матриц гамма-камери. Серiя сцинтиграм утво-рюе для кожного пiкселя криву «активтсть-час», яка мае рiзний вигляд для рiзних органiв i тканин та залежить вщ 1х функцiонального стану.
На рис. 2 показано динам^ змши iнформацiйного КФЕ (3) в процем роево! оптишзацп полiв контрольних допускiв на значення ознак розтзнавання для класифь катора зон спостереження та класифжатора функцюналь-ного стану нирки (штрихована дшянка тут i далi позначае робочу область визначення функцп КФЕ). У роевому алгоритм оптишзацп використано швидкiсть частинок обмежена максимальним значенням Vmax,;- = 2, вага шерцп становить w = 0,95, а константи прискорення рiвнi одиницi C1 = C2 = 1,0.
Аналiз рис. 2 показуе, що процес роево! оптишзацп контрольних допусков на значення ознак розтзнавання для кла-сифiкатора зон спостереження тривав 51 iтерацiю, а для класифжатора функционального стану нирки - 14 перацш.
Рисунок 1 - Кадри сцинтиграм в р1зш моменти зчитування шсля введення радюфармпрепарату: а - 10 хвилин; б - 15 хвилин; в - 20
хвилин
в
б
а
5 РЕЗУЛЬТАТИ
В результат оптимiзацiï псшв контрольних допусков вда-лося побудувати чггке розбиття простору ознак на класи екшвалентностт Залежнiсть нормованого iнформацiйного критерго (4) вiд значень геометричних параметрiв розбиття проiлюстровано на рис. 3 та рис. 4. Аналiз рис. 3 показуе, що оптимальнi значення радiусiв гiперсферичних контей-нерiв клаив ТТО та Т30 вiдповiдно рiвнi: d1 = d2 = ^3 = 7 (тут i далi в кодових одиницях). При цьому мiжцентровi вiдстанi контейнерiв класiв рiвнi d(Xj ® Х2)=11, d(Xj ® X3)=13 та d(X2 ® X3)=15 вiдповiдно.
Аналiз рис. 4 показуе, що оптимальнi значення радь усiв гiперсферичних контейнерiв класiв фр Ф2 та ф^1
5 10 12 k
6
Рисунок 2 - Динамжа змши усередненого нормованого шформацшного КФЕ в процес роево!' оптим1заци пол1в контрольних допусюв: а - класифжатор зон спостереження; б - класифжатор функцюнального стану нирки
вщпов^но рiвнi: d1 = 4, d 2 = 10 та dj = 6. При цьому мiжцентровi ввдстат контейнерiв класiв рiвнi d ( X1 ® X2)=15, d(X1 ® X3)=13 та d(X2 ® X3)=14 вiдповiдно.
На рис. 5а показано результат автоматичноï сегмен-тацiï сцинтиграми на три зони спостереження. При цьому штрихова лiнiя описуе правило вибору зон спостереження для дiагностики, розмежовуючи зони лiвоï та пра-воï нирок. На рис. 5б показано результат розтзнавання функцюнального стану лiвоï нирки.
Аналiз рис. 5а показуе, що в процем сегментацiï вда-лося вiзуалiзувати зони знаходження нирок.
Рис. 5б показуе, що крива «активтстъ-час» для лiвоï нирки за результатами розтзнавання вщповщае нормальному стану без видимих змiн i порушень функцп нирок.
ХО уй
2 А}
а б
Рисунок 5 - Результат сегментаци та класифжаци: а - зони спостереження; б - функцюнальний стан л1во!' нирки
Ei 1,0
0,8
0,6
0,4
0,2
0,0
iA
Da.
О 5 10 15 20 di
Рисунок 3 - Залежшсть нормованого шформацшного КФЕ вщ рад1усу контейнера клаив зон спостереження: а - Т3 ; б - Т3; в - Т3
El 1,0
0,8
0,6
0,4
0,2
0,0
1 / 1
■^щшш.
5 7 9 11 di
Ез
1,0
0,8 0,6 0,4 0,2 0,0
3 5 7 9 11 d3
Рисунок 4 - Залежшсть нормованого шформацшного КФЕ вщ рад1усу контейнера клаав функцюнального стану нирки: а - ф
б - ф 2; в - ф 3
в
в
6 ОБГОВОРЕННЯ
Аналiз результата шформацшно-екстремального машинного навчання св^ить про отримання безпомилко-вих за навчальною матрицею вирiшальних правил для автоматично! класифжацй зон штересу та розтзнавання !х функцюнального стану на прикладi динамiчного радю-нуклiдного дослiдження нирок. При цьому середне значення радiусiв контейнерiв класифiкатора зон спостере-—*
ження дорiвнюе d с = 7, а середня мiжцентрова вщстань
—*
класiв зон спостереження - d cc = 13. Коефщент нечiткостi для розбиття простору ознак на кластери дорiвнюе
Lc = = 0,53.
d Сс
Середне значення радiусiв контейнерiв класифжато-ра функцiонального стану в зош iнтересу дорiвнюе
—* . . .
d ф = 6,66, а середня мiжцентрова вщстань класiв функ-_*
цюнального стану - d фс = 14,0. При цьому коефщент нечигост для розбиття простору ознак на класи е^ва-лентностi дорiвнюе :
LФ =~
d ф
= 0,47.
d Фс
Таким чином, завадозахищешсть вирiшальних правил для автоматично! сегментацп нижча вщ завадозахи-щеностi класифiкатора функцюнальних станiв в зонi ште-ресу i обумовлюе потенцiйну завадозахищенiсть СППР вцшому. При цьому коефiцiент нечигост класифiкатора зон спостереження близький до 0,5, що прийнятно для умов медично! дiгностики [4].
Аналiз результатiв екзамену СППР показуе, що невелика потужшсть алфавпу класiв не дозволила видiлити зону лоханки та корково-мозково! област сегмента нирок. Тому, подальшi досл^ження варто присв'ятити збiльшенню алфавiту кламв зон iнтересу при автома-тичнш сегментацп сцинтиграм з метою отримання бшьш глибокого i детального аналiзу Крiм того з метою роз-ширення алфавiту дiагностичних рiшень варто дослщити класифiкацiю функцiонального стану нирок при !х одно-часному розглядь
ВИСНОВКИ
Наукова новизна одержаних результапв полягае у тому, що:
- вперше запропоновано метод сегментацп серп сцинтиграм динамiчного радiонуклiдного досл^ження на основi iнформацiйно-екстремального кластер-аналiзу, що дозволяе враховувати шформащю про динам^ проходження радiофармпрепарату через нирки i реалiзува-ти автоматичне видшення зон iнтересу за оптиматними в шформацшному сенсi вирiшальними правилами;
- вперше запропоновано метод синтезу класифжа-тора функцюнального стану нирки за кривою активност в зош штересу на основi шформацшно-екстремального машинного навчання, що дозволяе отримати безпомил-ковi за навчальною матрицею виршальш правила в умо-
вах обмежених за обсягом навчальних вибiрок та перетину кламв в простер ознак i таким чином реалiзувати автоматичне формування дiагностичного висновку;
- удосконалено метод шформацшно-екстремально-го кластер-аналiзу за рахунок переходу до бiнарного простору ознак та формування початкових цен^в кластерiв за правилом рiвномiрного збшьшеня кiлькостi одиниць, що дозволяе в процем вiдносно невелико! кiлькостi гге-рацiй роево! ошгашзацп контрольних допусюв на значення ознак отримати безпомилковi вирiшальнi правила для апрюрно впорядкованого алфавiту класiв.
Практична цшшсть отриманих результатiв для ком-п'ютеризовано! медицини полягае у формуванш сучас-но! науково-методолопчно! основи проектування здат-них навчатися СППР для функцюнального обстеження на гамма-камерг При цьому результата iмiтацiйного мо-делювання тдтверджують високу ефективнiсть отриманих виршальних правил при виявленнi стану ураження нирково! перенхiми та порушення уродинамжи нирок.
ПОДЯКИ
Автори висловлюють подяку завiдувачу лабораторп 1нституту сцинтиляцiйних матерiалiв к.т.н. Дьомiну А. В. за надаш експериментальнi данi.
Робота виконана в рамках держбюджетно! науково-дослiдницькоl теми «1нтелектуальна система керування навантаженням i ресурсами розподiленого обчислюваль-ного середовища з пiдвищеною iнформацiйною безпе-кою» на базi лабораторil штелектуальних систем кафедри комп 'ютерних наук Сумського державного унiверситету.
СПИСОК ЛГГЕРАТУРИ
1. Гектин А. В. Медицинские гамма-камеры - тенденции и динамика развития / А. В. Гектин, А. В. Демин, В. Ю. Педаш // Сцинтилляционные материалы. Получение, свойства, применение. Сборник под редакцией Б. В. Гринева. - Харьков : «Институт монокристаллов», 2007. - 416 с.
2. Лишманов Ю. Б. Радионуклидная диагностика для практических врачей / Ю. Б. Лишманов, В. И. Чернова. - Томск : SST, 2004. - 394 c.
3. Люггер Дж. Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем / Дж. Ф. Люггер. - М. : Виль-ямс. - 2003. - 864 с.
4. Moskalenko V. V. Information-Extreme Algorithm for Optimizing Parameters of Hyperellipsoidal Containers of Recognition Classes / A. S. Dovbysh, N. N. Budnyk, V. V. Moskalenko // Journal of automation and information sciences. New York : Begell House Inc. - 2012. - Vol. 44, Issue 10. - P. 35-44.
5. Sujji G. E. MRI Brain Image Segmentation based on Thresholding / G. E. Sujji , Y. V. S. Lakshmi, G. W. Jiji // International Journal of Advanced Computer Research.- 2013. - Vol. 3, No.1, Issue 8. -P. 97-101.
6. The estimation of GFR and ERPF using adaptive edge-based active contour for the segmentation of structures in dynamic renal scintigraphy / P. Suapang, K. Dejhan, S. Yimman // International Journal of Innovative Computing, Information and Control. - 2015. - Vol. 11, No. 1. - P. 87-103.
7. Landgren M. Segmentation of medical images. Applications in echocardio and nuclear medicine / M. Landgren. - Sweden, Lund : MediaTryck, 2014. - 73 p.
8. Thakur A. A. Local Statistics Based Region Growing Segmentation Method for Ultrasound Medical Images / A. A. Thakur, R. S. Anand // World Academy of Science, Engineering and Technology. - Connecticut, CT 06878, USA : WASET, 2007. -№ 10. - Р. 914-919.
9. Gonzalez F. A. Biomedical Image Analysis and Machine Learning Ontario, Canada, 10 June 2012 : proceedings. - Elsevier Ltd, Technologies: Applications and Techniques / F. A. Gonzalez, 2012. - Vol. 6. - Р. 387-396.
E. Romero. - Hershey, USA : IGI, 2009. - 390 p. 11. Вершовский Е. А. Роевой алгоритм оптимизации в задаче клас-
10. Patel S. Analysis Of Clustering Algorithms for MR Image теризации мультиспектрального снимка / Е. А. Вершовский // Segmentation Using IQI / S. Patel, K. S. Patnaik // 2nd International Известия ЮФУ Технические науки. - 2010. - № 5. - С. 102-107. Conference on ^^rnkirtbn Computing & ^rarity Toronto, Стаття надшшла до редакци 28.07.2015.
Шсля доробки 11.08.2015.
Москаленко В. В.1, Рижова А. С.2, Довбыш А. С.3
'Канд. техн. наук, старший преподаватель кафедры компьютерних наук Сумського государственного университета, Сумы, Украина 2Аспирант кафедры компьютерных наук Сумського государственного университета, Сумы, Украина
3Д-р технических наук, профессор, заведующий кафедрой компьютерных наук Сумського государственного университета 1НТЕЛЕКТУАЛЬНА СИСТЕМА П1ДТРИМКИ ПРИЙНЯТТЯ Р1ШЕНЬ ДЛЯ ФУНКЦЮНАЛЬНОГО Д1АГНОСТУВАННЯ НА ГАММА-КАМЕР1
Предлагается метод информационного синтеза системы поддержки принятия решений для радионуклидной диагностики органов человека при динамическом обследовании на гамма-камере. Как пример, рассмотрен процесс диагностики функционального состояния почек. Разработан алгоритм сегментации серии сцинтиграм на основании информационно-экстремального кластер-анализа пространственно-временных векторов изменения яркости пикселей и алгоритм информационно-экстремального машинного обучения для распознавания функционального состояния почек за ренографической кривой. Разработанные алгоритмы основываются на адаптивном двоичном кодировании признаков распознавания и оптимизации геометрических параметров разбиении пространства признаков на классы эквивалентности в процессе максимизации информационной способности системы поддержки принятия решений. Предложено модификацию информационного критерия эффективности машинного обучения, который есть функционалом от ошибки второго рода и первой достоверности. Анализируются результаты роевой оптимизации решающих правил и показано результаты автоматической сегментации сцинтиграфических данных с целью выделения зон интереса и автоматической классификации ренограмм для формирования диагностического вывода. Мощность алфавита классов функционального состояния почки составляет три класса. Первый класс характеризует нормальное состояние без видимых нарушений функции почек. Второй класс характеризует поражения почечной паренхимы. Третий класс характеризует нарушения уринодинамики. Сделан вывод о достоверности полученных решающих правил.
Ключевые слова: сегментация, кластер-анализ, информационно-экстремальная интеллектуальная технология, алфавит классов, словарь признаков, радионуклидная диагностика, гамма-камера, оптимизация, роевие алгоритмы.
Moskalenko V. V.1, Rizhova A. S.2, Dovbysh A. S.3
*Ph.D., Senior lecturer of Computer Science department of Sumy State University, Sumy, Ukraine 2Postgraduate student of Computer Science department of Sumy State University, Sumy, Ukraine 3Dr. Sc., Professor, head of Computer Science department of Sumy State University, Sumy, Ukraine INTELLIGENT DECISION SUPPORT SYSTEM FOR FUNCTIONAL DIAGNOSTICS WITH GAMMA CAMERA Method of information synthesis of a decision support system for radionuclide diagnostics of human organs during dynamic observation on gamma camera is proposed. By way of example, the process of diagnosis kidneys' functional state is considered. Segmentation algorithm series of scintigrams based on information-extreme cluster analysis of time-spatial vectors of pixel brightness changing, algorithm of recognition functional state of kidneys using renogram curves based on information-extreme machine learning are developed. The developed information-extreme algorithms based on adaptive binary coding of feature values and on optimization of geometrical parameters of feature space partitioning into classes equivalence during the process of maximizing of decision support system's information ability. The modified information criterion for estimate efficiency of machine learning which expressed in terms of false omission rate and positive predictive value is proposed. The results of parameters optimization of decision rules using the particle swarm algorithm are analyzed. The result of the automatic segmentation of scintigraphic data intended to highlight regions of interests, result of automatic classification of renogram curves intended to make-diagnosis are shown. Set of classes characterized three functional states of kidneys. The first class characterizes the normal state of renal function without any apparent violations. The second class characterizes renal parenchymal disease. The third class characterizes a impaired impaired urinary dynamics. It was concluded about the accuracy of the decision rules.
Keywords: segmentation, cluster-analysis, information-extreme intellectual technology, set of classes, feature set, radionuclide diagnostics, gamma-camera, optimization, swarm algorithm.
REFERENCES International Journal oflnnovative Computing, Information and
. «Т7Т111Т7Т n.i'i' Control, 2015, Vol.11, No.1, pp. 87-103.
1. Gektin A. V., Demin A. V., Pedash V. Ju. Medicinskie gamma- _T, r ,-,- ,,■■
7. Landgren M. Segmentation of medical images. Applications in
echocardio and nuclear medicine. Sweden, Lund, MediaTryck,
kamery - tendencii i dinamika razvitija, Scintilljacionnye
materialy. Poluchenie, svojstva, primenenie. Sbornik pod redakciej 2014 73
B.V. Grinjova. Har'kov, «Institut monokristallov», 2007, 416 p. 2,,, . . , „ „ T , „ ■ ■ ^ , „ ■ „
. T „ T7 T „ .. ....... .. 8. lhakur A. A., Anand R. S. Local Statistics Based Region Growing
Lishmanov Ju. B., Chernova V. I. Radionuklidnaja diagnostika „ ..,,„,„ ........„, , ,
Segmentation Method for Ultrasound Medical Images, World Academy of Science, Engineering and Technology, Connecticut,
dlja prakticheskih vrachej. Tomsk, SST, 2004, 394c.
Ljugger Dzh. F. Iskusstvennyj mtàbkt Strategii i metody reshenija гт плачет те л waîct mm xi m силою
... .. .. лг,,- ,„„,, Cl 06878, USA , WASEi, 2007, No. 10, pp. 914-919.
slozhnyh problem. Moscow, Viljams, 2003, 864 p. ' . , , ■ <w < ■
9. Gonzalez F. A., Romero E. Biomedical Image Analysis and Machine
Moskalenko V. V., Dovbysh A. S., Budnyk N. N. Information- .„,,,. .... TTO„
~ . ,, „ „ .. ■ ■ „ . „ Learning Technologies: Applications and Techniques. Hershey, USA,
Extreme Algorithm lor Optimizing Parameters ol i 2009 390
Hyperellipsoidal Containers of Recognition Classes, Journal of , „ „ , 9, . ,p' „ . ■ ., ■, „ „ „
■7 / , . , . 6 ,T „ , ' ,, „ J 10. Patel S., Patnaik K. S. Analysis Of Clustering Algorithms for MR
automation and information sciences. New York, Begell House ' T„T ,
t и I л л т .л ог л л Image Segmentation Using IQI, 2nd International Conference
Inc., 2012, Vol. 44, Issue 10, pp. 35-44. ° ... n . „ e .. T tnt... . . .,„,„ ^„„..„„n ■ t о +on Communication, Computing & Security, Toronto, Ontario,
Sujji G. E., Lakshmi YVS., Jiji G. W. MRIBrain Image Segmentation л- ci T^imi^is
. . т,, , , г ^ ^ >7 7 ^ л 1 1 Canada, 10 June 2UI2 : proceedings. Elsevier Ltd, 2012. Vol. 6,
based on Thresholding, International Journal of Advanced 387 396
Computer Research, 2013, Vol. 3, No.1, Issue 8, pp. 97-101. ,, , , ..' . ....
„ _ _ .. „ ... „ „. „ ___ . 11. Vershovskij E. A. Roevoj algoritm optimizacii v zadache Suapang P., Dejhan K., Yimman S. The estimation of GFR and
ERPF using adaptive edge-based active contour for the segmentation of structures in dynamic renal scintigraphy,
klasterizacii mul'tispektral'nogo snimka, Izvestija JuFU. Tehnicheskie nauki, 2010, No. 5, pp. 102-107.
3
5
