Інтелектуальна система діагностики онкопатологій - Дипломная работа

Задачі, що виникають при побудові автоматичної системи розпізнавання образів, можно зазвичай віднести додекількох основних областей. Перша з них повязана з представленням початкових даних, отриманих як результати вимірювань для обєкта, що підлягає розпізнаванню. Третя задача, повязана з побудовою систем розпізнавання образів, полягає у побудові оптимальних вирішальних правил, необхідних для ідентифікації та класифікації. Після того як дані, зібрані про образи, що підлягають розпізнаванню, представлені точками або векторами вимірів у просторі образів, задаємо машині визначити, якому класу образів ці дані відповідають.Сучасні комплекси біомедичної діагностики дозволяють значно пришвидшити процес лікування, діагностики, мають безліч переваг порівняно з ручною обробкою, аналізом, інтрерпретацією медичної інформації. Основним напрямом розвитку систем діагностики слід вважати інтелектуалізацію процесу лікуваня, що зробить систему автоматичною, надавши можливість самостійно приймати рішення, ставити діагноз, робити прогноз про одужання, тощо. На межі 80-90-х років ХХ сторіччя в медицині народилася нова тенденція, яка відбирає та систематизує достовірні результати різних методів діагностики та лікування [3]. Передумовою розвитку технологічного прогресу в медицині є розробка та застосування таких методів клінічного спостереження, які дають можливість робити справедливі висновки, уникаючи впливу систематичних і випадкових помилок. Згідно принципів доказової медицини в діагностиці, лікуванні та профілактиці захворювань повинні використовуватися тільки ті методи, ефективність яких доведено раціонально організованими обєктивними порівнюваними дослідженнями.Становлення теорії автоматичної класифікації, починаючи з другої половини ХХ століття, відбувається, головним чином, шляхом подальшого розвитку ідей і методів як розпізнавання образів , так і статистичної теорії прийняття рішень. За сучасним уявленням предметом дослідження теорії автоматичної класифікації є розробка компютерних систем розпізнавання образів, що навчаються, з метою використання їх в різних галузях науки та техніки, у тому числі, для високоефективного управління слабоформалізованими системами та процесами. Анохіну [7] на фізіологічному рівні процес розпізнавання образів складається з двох етапів: навчання і безпосереднього розпізнавання - екзамену. Тоді задачу розпізнавання функціонального стану системи розпізнавання (СР) сформулюємо так: на етапі навчання знайти оптимальне в інформаційному розумінні розбиття простору ознак розпізнавання (ОР) на класи розпізнаванняі на етапі екзамену за результатами обмеженого числа випробувань у режимі функціонування СР прийняти високо достовірне рішення про належність вектора-реалізації образу, що розпізнається, до деякого класу з апріорно визначеного скінченого алфавіту класів розпізнавання . У загальному випадку під впливом випадкових факторів реалізації одного і того самого образу можуть опинитися далеко одна від одної, а реалізації “чужого“ образу навпаки наблизитись і навіть збігтися із “своїми” реалізаціями.Введення в процес діагностики інтелектуальної складової, що моделює розумовий процес, здатної узагальнювати існуючий досвід експертів шляхом навчання з учителем та побудови вирішальних правил, дозволить реалізувати розпізнавання цитологічних зображень, класифікованих за критерієм мети, котру формує медичний експерт. Оберемо в якості методу аналізу та синтезу СППР інформаційно-екстремальну інтелектуальну технологію, оскільки вона дозволяє реалізувати навчання з учителем, є адаптивною до змін у вхідних даних, дозволяє апріорно(за навчальною вибіркою)оцінити достовірність функціонування СППР за критерієм максимізації різноманітності між контейнерами класів розпізнавання. Постановка задачі аналізу та синтезу СППР за інформаційно-екстремальною інтелектуальною технологією наступна: Дано алфавіт класів розпізнавання і нехай функціональний стан системи розпізнавання морфологічних зображень, що характеризується класом , оцінюється за інформаційним критерієм Ем . Треба в процесі навчання побудувати оптимальне в інформаційному розумінні розбиття простору ознак розпізнавання на страти ієрархічної структури за умови, що інформаційний критерій функціональної ефективності (КФЕ) навчання системи набуває максимального значення в робочій області визначення його функції: , де Е m - інформаційний критерій функціональної ефективності навчання системи розпізнавати реалізації класу Хм0.Вхідний математичний опис сформовано на основі сканованих морфологічних зображень тканин, що характеризують певні ракові захворювання. Алфавіт класів розпізнавання складеється з восьми зображень, що характеризують онкозахворювання. 2.1 подано структуру вхідного математичного опису. Таблиця 2.1-Вхідний математичний описКритерій функціональної ефективності (КФЕ), що використовується в ІЕІТ, ґрунтується на прямій оцінці інформаційної спроможності СППР і дозволяє встановити оптимальність просторово-часових характеристик її функціонування з метою побудови

ЗМІСТ

1. АНАЛІЗ ПРОБЛЕМИ І ПОСТАНОВКА ЗАДАЧІ ДОСЛІДЖЕННЯ

1.1 Компютеризовані діагностичні системи в медицині

1.2 Аналітичний огляд методів розпізнавання зображень

1.3 Постановка задачі інформаційного синтезу інтелектуальної компютеризованої системи діагностування онкопатологій

2. ІНФОРМАЦІЙНЕ ЗАБЕЗПЕЧЕННЯ ІНТЕЛЕКТУАЛЬНОЇ КОМПЮТЕРИЗОВАНОЇ СИСТЕМИ ДІАГНОСТУВАННЯ ОНКОПАТОЛОГІЙ

2.1 Формування вхідних даних

2.2 Оцінка функціональної ефективності КСД

2.3 Математична модель аналізу і синтезу інтелектуальної КСД онкозахворювань з ієрархічним вирішальним правилом

2.4 Інформаційно-екстремальний ієрархічний алгоритм аналізу і синтезу інтелектуальної КСД онкозахворювань

2.5 Ієрархічний алгоритм екзамену

3. ПРОГРАМНЕ ЗАБЕЗПЕЧЕННЯ ІНТЕЛЕКТУАЛЬНОЇ КОМПЮТЕРИЗОВАНОЇ СИСТЕМИ ДІАГНОСТУВАННЯ ОНКОПАТОЛОГІЙ

3.1 Короткий опис програмної реалізації

3.2 Інструкція користувача

3.3 Результати фізичного моделювання

ВИСНОВКИ

СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ

ДОДАТОКТЕКСТ ПРОГРАМИ