|
|
Быстрая и правильная постановка диагноза необходима при скриннинговых медицинских обследованиях, когда обрабатывается большой объем информации. Постановка диагноза -- сложная и субъективная задача, решаемая обычно квалифицированными врачами-экспертами. Наиболее часто при попытке автоматизировать процесс возникают две проблемы: выбор параметров, необходимых для постановки диагноза и построение достаточно мощного устойчивого алгоритм, который будет работать при разумных ресурсах. Обе задачи объективно решаются с использованием самоорганизующейся деревоподобной искуственной нейронной сети для классификации объектов с обучением с помощью добавления нейронов. Один из наиболее приемлемых подходов -- адаптация нелинеиной модели прямого развития или классического алгоритма персептрона, используемый алгоритм частично наследует их свойства. Но классические алгоритмы в своем большинстве не дают ответа на вопрос: как выбрать необходимое число скрытых слоев и нейронов в каждом слое для правильного обучения данному примеру -- таким образом они зависят от a priori выбранной структуры сети. Деревоподобная самоорганизующаяся модель принятия решений эффективно решает указанные проблемы с помощью адаптивного алгоритма, основанного на измерении энтропии (информации) каждого нейрона. В отличие от моделей, где топология сети задана заранее, структура данной сети под управленийм обучающего алгоритма развивается в процессе обучения и зависит от числа классов типа данных. Модель предполагает наличие новго типа элементарной ячейки (нейрона) и построена согласно идеологии прямого развития. Простота внутреннего предствления связей в алгоритме является несомненным преимуществом. Описанная нейронная сеть была обучена на искусственно сгенерированных математических данных, чтобы установить условия устойчивого поведения сети и правильной обработки данных. Согласно полученной информации два типа медицинских изображений подвергались обработке: ультразвуковые изображения щитовидной железы и МР изображения головного мозга. Каждое изображение было обработано таким образом, чтобы получить его статистические параметры -- некоторые гистограмные признаки, которые, как предполагалось, должны соответствовать различным патологиям. Доктор обводил контур щитовидной железы и две области -- патологию и равную по площади нормальную ткань для МР изображений. После чего были рассчитаны статистические параметры -- энтропия, ковариация, среднеквадратичное отклонение и другие. Неронная сеть была обучена на парах параметров для пар диагнозов норма-патология, часть из полученных данных была использована для распознавания заболеваний и оценки диагностической эффективности. В результате множества экспериментов для ультразвуковых изображений щитовидной железы была получена диагностическая эффективность (вероятность правильного диагноза) 80-85%, предварительный результат для МР изображений составил около 70%. Вероятность правильного распознавания диагноза для МР изображений растет быстрее чем для УЗИ, что можно объяснить лучшим качеством МР изображений.  |
