Целью данного исследования явился анализ возможности применения математической модели логистической регрессии для распознавания злокачественных новообразований на цифровых изображениях кожи. При проведении исследования применялась база данных, содержащая 6594 цифровых изображений кожи. На первом этапе исследования производилась сегментация цифровых изображений кожи для выделения исследуемого объекта, у которого в дальнейшем определялись морфометрические и цветовые характеристики соответствующие параметрам классической системы ABCD. На втором этапе характеристики использовались в классификации на злокачественные и доброкачественные новообразования при помощи логистической регрессии. При классификации изображений, наибольшее значение показателя точности (67,9 [66,9; 68,8]%) получено при классификации с помощью логистической регрессии, построенной на основе обратного пошагового метода Вальда. Таким образом, логистическая регрессия построенная на основе обратного пошагового метода Вальда может быть применена в классификации злокачественных новообразований на цифровых изображениях кожи, но требуется дальнейшее исследование и определение оптимальных параметров.

Ключевые слова: математическая модель, цифровые изображения кожи, логистическая регрессия, классификация изображений, злокачественные новообразования кожи

05.13.18 - Математическое моделирование, численные методы и комплексы программ

Целью данного исследования явился анализ возможности применения классических нейронных сетей для распознавания злокачественных новообразований на цифровых изображениях кожи. Для проведения исследования использовалась база данных, состоящая из 6594 цифровых изображений кожи. На первом этапе исследования производилась классификация цифровых изображений кожи на злокачественные и доброкачественные новообразования с использованием инструмента IBM SPSS Statistics с автоматическим выбором архитектуры математической модели искусственной нейронной сети. На втором этапе использовался вариант архитектуры искусственной нейронной сети с одним скрытым слоем. На третьем этапе использовался вариант архитектуры искусственной нейронной сети с двумя скрытыми слоями. В ходе исследования была проведена классификация цифровых изображений кожи для определения наличия на изображениях злокачественных новообразований. Наибольшее значение показателя точности (0,752 [0,736; 0,768]) получено при классификации с помощью архитектуры искусственной нейронной сети, включающей в себя два скрытых слоя, при этом значение показателя специфичности составило 0,813 [0,802; 0,824], а показателя чувствительности – 0,665 [0,637; 0,691]. Таким образом, искусственные нейронные сети могут быть применены в качестве метода диагностики злокачественных новообразований кожи на цифровых изображениях.

Ключевые слова: искусственные нейронные сети, цифровые изображения кожи, машинное обучение, классификация изображений, злокачественные новообразования кожи

05.13.18 - Математическое моделирование, численные методы и комплексы программ

В статье рассмотрено применение критериев оценки качества сегментации цифровых изображений мокроты, окрашенной по методу Циля-Нильсена для выбора оптимального параметра «сигма» вейвлет преобразования Mexican Hat. В качестве материала исследования использовались 830 цифровых изображений, полученных при микроскопии мазков мокроты. Для оценки оптимальности подбора значения параметра σ использовались: среднее число объектов, выделенных на изображениях, доля пропущенных кислотоустойчивых микобактерий на изображениях, критерий однородности и 3 комплексных критерия оценки качества сегментации изображений. Проведенный анализ показал, что при увеличении параметра σ происходит незначительное снижение значение критерия однородности. При этом увеличение параметра σ с 2,4 и более согласно комплексным критериям происходит повышение качества сегментации изображений. Таким образом, наиболее оптимальными значениями параметра σ вейвлета Mexican Hat для сегментации цифровых изображений мокроты, окрашенной по методу Циля-Нильсена, являются значения в интервале от 2,90 до 3,09.

Ключевые слова: метод Циля-Нильсена, сегментация изображений, критерии оценки качества, вейвлет преобразование, Mexican Hat

05.11.17 - Приборы, системы и изделия медицинского назначения , 05.13.01 - Системный анализ, управление и обработка информации (по отраслям)

Проведено сравнение различных методов отбора признаков для идентификации объектов на цифровых изображениях микроскопических препаратов мокроты, окрашенной по методу Циля-Нильсена. Рассматривались следующие методы: метод пересечений, Шеннона, Кульбака и накопленных частот. Сделано заключение о том, что метод пересечений позволяет осуществлять отбор признаков из всего признакового пространства так, что классификационные модели позволяют получить максимальную точность классификации при наименьшем числе входных параметров.

Ключевые слова: метод Циля-Нильсена, распознавание объектов, распознавание изображений, отбор признаков, метод накопленных частот, метод Шеннона, метод Кульбака, метод пересечений, логистическая регрессия, дерево классификации, дискриминантный анализ

05.11.17 - Приборы, системы и изделия медицинского назначения , 05.13.01 - Системный анализ, управление и обработка информации (по отраслям)

Проведено сравнение различных методов сегментации цифровых изображений мокроты, окрашенной по методу Циля-Нильсена. Рассматривались следующие методы: пороговая бинаризация, метод бинаризации Оцу, детекторы границ (операторы Робертса, Собеля, Превитта, Робинсона и Кенни), детекторы углов Харриса и FAST (Features from Accelerated Segment Test) алгоритм, искусственная нейронная сеть и вейвлет-преобразование Mexican Hat (Мексиканская шляпа), а также функция поиска контуров библиотеки OpenCV. Сделано заключение о том, что использование вейвлет-преобразования Mexican Hat имеет наилучшее качество сегментации при сравнительно небольших временных затратах.

Ключевые слова: метод Циля-Нильсена, кислотоустойчивые микобактерии, сегментация, цифровых изображений, детектор углов, FAST, оператор Кенни, оператор Собеля, оператор Робертса, оператор Превитта, оператор Робинсона, искусственные нейронные сети, OpenCV

05.11.00 - Приборостроение, метрология и информационно-измерительные приборы и системы , 05.13.01 - Системный анализ, управление и обработка информации (по отраслям)